你还以为,除了你自己就没有人懂你女朋友吗?

简介: 消费产生的大数据和趋势榜单,已成为洞察消费者需求的心灵捕手。

天猫披露的数据显示,3.8女王节期间,天猫全行业客单价增幅高达两位数,从大盘看,上榜商品的销售额占总成交一半以上;从商家的角度看,上榜商品的销售额占上榜商家总成交的80%以上。此外,洗碗机、电子美容仪等爆款商品成交额同比增300%,唇膏口红等商品成交额同比增200%,并且,今年天猫女王节商品已销往200多个国家和地区,除了女装和3C数码配件是全球女性的同好外,马来西亚女性买的最多的是箱包,澳大利亚女性关注美容护肤品。台湾地区热销的是汽车用品和玩具,香港特别行政区的女白领们看得最多的是家具。以上这些销售额有数据显示,大多由女性贡献,也就是,你们的女朋友们!都说大数据最懂女人心,本君今儿就来帮大家揭个底,聊聊天猫榜单算法背后的思考和技术模型。

  作者|今西

  编辑|喵君

背景

今年女王节主打“消费升级”目标,很多人可能会问:什么是消费升级?是让用户在平台上消费更多的钱么?其实不是。


“消费升级”的命题其实是让消费者在海量同类商品中,可以迅速看到并且买到更加适合他,符合他心智的产品。那么为什么我们选择了榜单这种产品形态来进行推广?可以说,榜单目前已是全网推荐最权威的一种展示形态。


榜单产品模型: 

         
尖货商家池 -> 尖货商品池 -> 单榜单实时尖货挖掘->榜单个性化推荐


从整体的数据流转上,本次项目提出了针对以往不同的技术要求,本次算法的核心目标不再是点击,而是客单价和uv价值。

        a. 从纯用户导购来讲,不同行业的标准需要表达出不同的要求,例如:在服装服饰行业相对比较大的是新品和潮流,而对于电器行业的要求则是库存,入仓,售后等。
        b. 而在商业目标的角度上看,行业的商业目标也不同,有的行业是主打人群深度,有的行业是主打高端用户占比等。
        c. 因为本次榜单是构建权威的导购心智,不适用个性化,用户的疲劳度很快会达到峰值,这就要求我们在工程上整体数据的更新频率要变快。
        d. 榜单产品同时可以在多端进行透出可以使用户在各个角落发现适合他自己的榜单。
    
权威性(尖货挖掘),商业与行业共赢(客单价,uv价值),实时性(高效率的导购),多渠道榜单覆盖,是本次榜单算法的4个关键词,对此我们使用了基于6大标准的全新多目标计算系统,来满足业务诉求。


页面效果具体如下:



榜单算法技术架构

  天猫产品技术团队构建了如下的技术能力:


    a. 尖货商品抓取能力:结合bi团队和行业运营的能力,共同产出优质货品。行业运营使用选品平台能力产出核心商家,同时再结合数据化团队产出的尖货商品,整体合并产出最终的尖货商品。
    b. 榜单快速搭建能力:因为整体搭建时长非常短(只需三步即可完成),打造1分钟创建榜单发布页面,实时查看榜单数据的功能。
    c. 尖货的模型实时更新能力:使用算法能力针对6大维度进行综合计算,并且接入实时指标,做到小时刷新,既满足榜单的尖货的诉求又满足了数据的更新。
    d. 多端推送能力:优质的内容需要推送到多端才能更大的发挥其价值。本次和多个数据化团队进行合作,约定了整体的推送方案,基本上做到了数据解耦,上层榜单的变化不会影响榜单的对接方式。

在完成如上功能的同时我们也在前端技术上做出了突破:
    a. 首次试点weex vue2.0方案,无线端开发一套代码适配web+native,减少50%的开发工作量。
    b. 实现落地一套页面结构模板多套数据的方案,页面功能升级对运营无感,一次发布所有榜单页面同时生效,减少大量的沟通协调成本。
    c. 在页面全部异构的场景下,极致性能优化和利用前端缓存技术,达到90%以上的秒开率。

    


榜单算法介绍

(单榜单实时尖货挖掘算法)

为了推进消费升级,这次在榜单尝试并创新了榜单的热度算法。该算法从5个维度进行设计,根据线上实际效果又调整为6个维度。人气指数(长期+短期)、业绩指数(长期+短期)、商家价值、价格指数、情感指数、缺货断码。

 

   a. 人气指数:考虑长期和短期影响。在预热器主要考虑长期因素、在正式期主要考虑短期因素。满足不同时期的对于热度的定义。其中人气指数包括了:增量的粉丝、加购量、关注人数、销量、购买人数等体现人气的指标,进行复合维度的计算归一得出结果。

  b. 业绩指数:包括了长期成交和短期成交等关键指标。

  c. 情感指数:通过文本分析对评论数据进行正负情感的类别识别。对于一些消费者负向情感较明显的产品进行降权或者剔除榜单,保障榜单商品品质。
  d. 缺货断码:主要考虑防止曝光过度引入的对缺码断货指标和防止马太效应的时间衰减指数
  e. 商家价值:主要考虑商家的分层、店铺类型、库存金额、调性关键指标。这个指标是用于权衡商家价值在排行榜中的影响。
  f. 价格指数:主要通过价格带的调控实现对排行榜排序的影响。非常适合消费升级中根据反馈数据进行有效的调控。


这些指标通过层次分析法初步拟定初始权重。但考虑到不同行业对榜单热度理解和营销目标的不同。这些指标开放给行业小二,行业小二可以根据业务目标的不同参与设计所属行业的热度模型。


算法能力赋予行业小二。使得热度模型具备更多扩展空间。这种开放式算法设计策略将算法充分和业务进行密切结合。把黑盒算法透明的开放给行业,并使行业一同参与到数据化运营的过程中来。

 

从商家到尖货以及到最后导购形式,一整套的解决方案达成了整体客单价大幅提升,榜单会场最高客单价增幅高达40%(对比标签会场)。在搭建会场上也充分提升了效率,每个榜单创建时间不到1分钟,每个榜单会场创建时间为5分钟,行业运营只用了1天时间创建完成了1200多个榜单。


天猫3.8女王节热卖的最初两天,美容仪的销售火爆程度远超扫地机器人,这意味着,在小家电行业,扫地机器人不再独领风骚。而首次推出的消费类榜单在算法模型的精确计算下,早就精确预判这一趋势。


在2月28日的天猫金妆奖上,屈臣氏播放的一则概念视频显示,天猫美妆每月热销榜单将挂进线下门店。这意味着,未来在线下门店的某款美妆或个人护理产品上,你很可能看见“天猫人气Top 1”的标签。用线上消费数据指导线下消费者购物选择,也将成为未来零售业的趋势。


消费产生的大数据和趋势榜单,已成为洞察消费者需求的心灵捕手。未来以线上线下打通为基础,以海内海外连接为标志,打破时空界限的消费榜单,将融汇成全球消费趋势的动态演进图。



识别图片二维码▲关注「天猫技术」

技术驱动商业变革|做最懂商业的技术人



相关荐文天猫智能数据驱动平台:一休

点击下方图片即可阅读

相关文章
|
5月前
|
缓存 前端开发 数据可视化
Webpack Bundle Analyzer:深入分析与优化你的包
Webpack Bundle Analyzer是一款可视化工具,帮助分析Webpack构建结果,找出占用空间较大的模块以便优化。首先需安装Webpack和Webpack Bundle Analyzer,接着在`webpack.config.js`中配置插件。运行Webpack后,会在`dist`目录生成`report.html`,展示交互式图表分析包大小分布。为优化可采用代码分割、Tree Shaking、压缩插件、加载器优化、模块懒加载、代码预热、提取公共库、使用CDN、图片优化、利用缓存、避免重复模块、使用Source Maps、优化字体和图标、避免全局样式污染以及优化HTML输出等策略。
183 3
|
8月前
|
BI
数据统计榜单
数据统计榜单
71 0
|
5月前
|
人工智能 安全 机器人
2023云栖大会,Salesforce终敲开中国CRM市场
2023云栖大会,Salesforce终敲开中国CRM市场
|
8月前
|
前端开发 JavaScript 搜索推荐
【专栏】比较单页应用(SPA)与多页应用(MPA)的优缺点
【4月更文挑战第28天】本文比较了单页应用(SPA)与多页应用(MPA)的优缺点。SPA以其动态加载、流畅体验和前后端分离受到青睐,尤其适合现代JavaScript框架。而MPA因其传统架构、SEO友好和浏览器兼容性而占优势。选择SPA或MPA应考虑项目需求、团队技能、项目规模及预算,以平衡用户体验、开发效率和兼容性,确保项目目标的实现。
245 0
|
5月前
|
存储 SQL Oracle
初步了解oracle的体系结构
初步了解oracle的体系结构
45 1
|
5月前
|
JavaScript 前端开发
JS - 立即执行函数
这篇文章解释了JavaScript中的立即执行函数(IIFE,Immediately Invoked Function Expression)的概念和用法,它用于创建局部作用域以避免全局变量的污染。文中提供了多种立即执行函数的示例,展示了如何通过不同的语法结构立即调用函数。
49 0
|
存储 安全 区块链
区块链游戏系统开发(开发详细)/案例开发/设计功能/逻辑方案/源码平台
  区块链游戏系统开发是一个复杂而精密的过程。首先,需要进行需求分析和规划,确定游戏系统的功能和特性。然后,进行技术选型和架构设计,选择适合的区块链平台和开发工具。接下来,进行系统的搭建和编码,实现游戏逻辑和用户交互功能。最后,进行测试和优化,确保系统的稳定性和性能。
中序线索二叉树的实现(源代码以及讲解)
中序线索二叉树的实现(源代码以及讲解)
207 0
|
8月前
|
数据可视化
实时榜单排行计算
实时榜单排行计算
179 0
实时榜单排行计算
|
消息中间件 Java Kafka
SpringBoot 整合 Kafka|学习笔记
快速学习 SpringBoot 整合 Kafka
589 0