闲鱼技术-仝辉
背景
闲鱼在这几年的高速发展中，积累了几亿件在线商品，而这些商品稂莠不齐，可能会带来买家不好的购物体验。因此，我们希望引入闲鱼商品理解的能力，选取优质商品，进而提升闲鱼的购物体验。
痛点
现有的闲鱼商品存在一些痛点：
1）卖家属性: 闲鱼上以个人卖家为主，存在着卖家长期不在线等情况，导致无法正常交易。
2）商品属性：存在着劣质商品、商品引流和重复铺货等问题。
3）价格属性：存在虚假标价、性价比低等问题。
4）供需关系：闲鱼商品存在着大量的供需不平衡商品。
针对这些痛点，从以上四个维度去理解闲鱼商品，并根据理解的内容进行选品。
商品分层维度
商品属性
新品属性：描述品牌信息，sku/spu/型号等。
二手属性：用于估算商品的折损情况。这个不同的类目都不一样，例如个护美妆类目的购买日期、余量等属性。手机是购买日期、屏幕是否破损、是否有划痕等。
现有的新品属性和二手属性覆盖率并不算高，我们后续会通过用户引导和算法关联的方式，持续提高商品属性的准确率和覆盖率。这也是后续分析供需关系和价格属性的基础。
此外,我们在商品属性侧也会判断，是否包含色情、劣质、引流和重复铺货的情况，并对这些商品做相关的治理。
供需关系
下图是经典的供需曲线，其中D线表示需求曲线，S曲线表示供给曲线。我们把供求相等的点E定义为均衡点，把与E点相对应的价格水平定义为均衡价格（P）即供求平衡时的价格；把与E点相对应的产量定义为均衡产量Q。即供求平衡的产量。
同样的，闲鱼的商品存在着大量供需不平衡的情况。例如，女装类目商品大量堆积，供大于求；手机类目商品消耗比较快，供小于求。通过分析闲鱼商品的供需关系和商品属性，我们可以知道商品在特定类目，特定品牌和特定折损情况下对应的供需情况。针对这些情况，我们可以缓解闲鱼商品积压的情况，也可以对一些供小于求的商品做补货。
价格属性
二手平台买家的主心智是希望买到低价、高性价比的商品。通过商品属性分析得到的新品属性和二手属性，我们可以知道闲鱼这件商品的价值和它在同类商品中的性价比。这样我们可以知道这件商品的“价值”，从而可以更好的指导“价格”，也可以分析得出这件商品是否是有竞争力的商品。
卖家属性
卖家属性包括活跃率、回复率、卖出率、纠纷率、好评率等。
闲鱼本身的特殊性--闲鱼以个人卖家为主，试想如果卖家不在线，不回复或者不愿意发货，那么正常的交易流程是不可能完结的。因此，卖家属性是商品是否可以被正常卖出的必要条件，该属性也是商品属性里比较重要的一个环节。
商品分层实现
商品理解
我们从上述四个商品维度去分析商品，找到这些商品维度相关的因子并设计商品信息指数、供需指数、价格指数和卖家指数，使得这四个指数与主指标（例如曝光支付率、动销率等）成正相关关系。
最后将这几个指数做回归分析，最终加权得到优质商品分。下面的饼图就是得到的优质商品分（比例仅做展示使用）
优质商品选取
那么有了优质商品指数，如何选取优质商品的？
我们会定义目标和限制条件，例如我们选取的优质商品分最高，且商品数量选取2000万，也希望商品类目均衡，且不能有太高的纠纷率。那么就转化成一个组合优化问题：
定义目标
Target Max(优质商品分)
定义限制条件
s.t. 商品数量 <= 2000万
s.t 叶子类目商品均衡
s.t. 纠纷率 <= 0.3%
求解该组合优化问题即可得到优质商品池。
数据回测
数据回测的目的是希望我们的效果在过去的一段时间内都得到验证。如果选择一个月的时间作为回测周期，我们会回测优质商品的主指标和大盘平均值的差异，如果连续一段时间都优于大盘水准，那么可以证明选出来的优质商品是好于普通商品的。
仿真系统
如果说数据回测是希望验证“过去”选品的效果，那么仿真系统是预估优质商品策略上线之后对“未来”产生的影响。
仿真系统的想法是结合之前分析所得到的初级、中级和高级知识，预测策略上线后的结果。
其中:
初级知识指的是特定活动得到的知识，例如男性、20～30岁的人群对该活动更感兴趣。
中级知识指的是一类活动得到的知识，例如红包活动对某类人群效果更好。
高级知识指的是更加泛化的知识，例如购买对活跃的影响等。
结果
闲鱼商品分层选取的优质商品，已经应用在了闲鱼的新用户首购、闲鱼大促等场景，点击率和购买率等指标有了明显的提升。点击率最高有了相对20%的提升，互动支付率最高有了相对100%提升。（考虑到数据安全，不公布具体效果指标）
展望
本文介绍了闲鱼商品的知识理解部分，我们后续会持续完善闲鱼商品分层体系，同时希望持续和运营同学一起配合，挖掘更多商品知识，并录入到闲鱼商品知识库，并通过用户引导，扩大闲鱼优质商品的数量，从而进一步提高用户体验。
