UX Guidelines for Recommended Content推薦內容

透過清晰呈現推薦內容、將建議分為明確類別，以及提供使用者反饋機制，可以提高使用者的參與度和忠誠度。推薦引擎的良好設計能幫助使用者快速找到感興趣的內容，同時避免資訊過載。

1. 優先顯示個性化推薦內容

核心原則：使用者更傾向於選擇與自己相關的內容，而非通用推廣內容。

常見問題：一些網站將個性化推薦置於頁面較低位置，導致使用者難以發現並錯失使用機會。

錯誤示例：Sephora的“為你推薦”內容位於首頁較低位置，使用者需要翻到頁面底部才能找到。

成功示例：Amazon和Eventbrite在首頁頂部或靠近頂部區域顯示個性化推薦內容，使使用者更容易注意到。

使用者反饋：使用者希望推薦內容不僅出現在首頁，還應貫穿整個站點，例如新商品分類下也應優先顯示與使用者興趣相關的內容。

2. 明確推薦內容的資料來源

原則：讓使用者瞭解推薦的依據，例如使用者的歷史行為或偏好。這不僅增加了推薦內容的可信度，還能幫助使用者快速理解推薦背後的邏輯。

成功示例：Netflix在推薦區域標明“因為你看過某某電影”，幫助使用者理解推薦的背景。

問題示例：Amazon Video的推薦來源描述為“基於您觀看過的內容和更多”，但“更多”的含義不夠明確，令使用者困惑。

簡單明瞭：使用簡短而具體的描述，例如“基於您瀏覽過的商品”或“與您購買的商品相關”。

分級描述：為推薦內容提供清晰的分類和來源說明，有助於使用者判斷是否感興趣。

3. 將推薦內容分為明確類別

原則：推薦內容不應雜亂無章地堆疊在一起，而應按類別細分，幫助使用者更輕鬆地瀏覽。

具體分類比寬泛推薦更受歡迎。例如：Spotify的“每日混音”根據音樂型別分類，比綜合性的“每週發現”更容易被使用者接受和使用。

對於興趣多樣的使用者，細分推薦（如按小說與技術書籍分類）能更好地滿足需求。

事件混雜：Eventbrite的推薦包括職業活動和個人活動，使用者很難區分哪些適合他們的休閒需求。

推薦雜亂：Amazon的Kindle書籍推薦過於多樣，導致使用者難以管理和瀏覽。

4. 提供最佳化推薦的反饋機制

原則：為使用者提供改進推薦內容的方法，例如透過點贊、點踩或編輯歷史資料，提升使用者的參與感和個性化體驗。

反饋機制的常見問題

Spotify的Discover Weekly播放列表中，部分使用者無法對不喜歡的歌曲提供負面反饋，導致推薦內容無法最佳化。

一些使用者希望透過編輯瀏覽或購買歷史來排除異常行為（如為朋友購買禮物）。

成功示例

Amazon：允許使用者檢視或編輯瀏覽歷史，從而調整未來的推薦內容。

Netflix：使用者可以移除觀看歷史中的某些專案，並清楚知道這些內容將不再用於推薦。

5. 快速更新推薦內容

原則：當使用者與推薦內容互動（如點贊、點踩或隱藏）時，系統應立即反映這些操作，提供即時反饋，增強使用者信任感。

使用者期望：負面反饋後，希望立即移除不相關內容。系統需迅速根據使用者行為更新推薦內容。

成功示例：Pinterest允許使用者隱藏推廣內容（廣告），並立即用佔位訊息替代，無需重新整理頁面。

問題示例：Hulu使用者給出低評分後，推薦內容未即時更新，降低了使用者的參與積極性。