(電子商務(wù)研究中心訊)王答明：1號(hào)店IT資深經(jīng)理，負(fù)責(zé)個(gè)性化推薦/大數(shù)據(jù)挖掘
大數(shù)據(jù)這個(gè)詞為什么現(xiàn)在這么火，個(gè)人的理解是用一個(gè)新瓶裝了很多舊酒，也就是說之前的很多技術(shù)，概念或者應(yīng)用現(xiàn)在都可以往大數(shù)據(jù)這個(gè)詞里放，比如分布式處理，數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，文本處理，語(yǔ)音/圖像處理，個(gè)性化推薦，知識(shí)圖譜，當(dāng)然也包括傳統(tǒng)的一些BI分析系統(tǒng)等等，因?yàn)檫@些技術(shù)存在的時(shí)間已經(jīng)不短，而且之前在很多行業(yè)都或多或少得到了一些應(yīng)用。
但隨著互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)采集能力和數(shù)據(jù)處理能力的飛快提升，這些相關(guān)的技術(shù)和應(yīng)用得到進(jìn)一步發(fā)展和融合，進(jìn)而進(jìn)化出了更多更豐富的數(shù)據(jù)應(yīng)用。不管大數(shù)據(jù)的應(yīng)用是什么，一般的處理手段無外乎先收集到你可能收集的各種源數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗結(jié)構(gòu)化等進(jìn)行存儲(chǔ)，在之上做特征工程，做機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘算法，最后挖出一些基本的規(guī)律來，大多有事物之間的相似度，關(guān)聯(lián)度，事物之間的結(jié)構(gòu)關(guān)系比如層級(jí)，時(shí)序性等。然后，我們可以在這些規(guī)律的基礎(chǔ)上做大數(shù)據(jù)服務(wù)，比如用來預(yù)測(cè)，用來給人提供決策建議，決策支撐，甚至通過系統(tǒng)化來使得整個(gè)決策自動(dòng)化和大規(guī)?；?，還可以使系統(tǒng)具有學(xué)習(xí)更新的能力來達(dá)到工業(yè)級(jí)的智能應(yīng)用。最終可以為企業(yè)，或者面向用戶的app提供真實(shí)的價(jià)值。
對(duì)電商行業(yè)來說，本身屬于互聯(lián)網(wǎng)領(lǐng)域內(nèi)，所以如何有效的挖掘數(shù)據(jù)，利用數(shù)據(jù)對(duì)自身而言是個(gè)非常重要的戰(zhàn)略方向。比較而言，個(gè)性化推薦/精準(zhǔn)營(yíng)銷是已經(jīng)在業(yè)界廣泛驗(yàn)證和實(shí)現(xiàn)層相對(duì)成熟的應(yīng)用之一，但因?yàn)槠浼軜?gòu)和算法的復(fù)雜度依舊相對(duì)較高，離真正的成熟還有很遠(yuǎn)距離，比如我們能看到國(guó)外主要是亞馬遜幾年前公開過自己銷售靠推薦而來的占比，從國(guó)內(nèi)的實(shí)踐來看，大型電商也基本都是從11/12年開始啟動(dòng)這方面的技術(shù)探索，而且不同的公司因?yàn)榭紤]對(duì)自身的價(jià)值從而所做的投入也不盡相同。
另外，大數(shù)據(jù)挖掘在電商的應(yīng)用還有銷量預(yù)測(cè)，品類管理和動(dòng)態(tài)定價(jià)，這三個(gè)方面也有相互關(guān)聯(lián)，在電商時(shí)代，銷量預(yù)測(cè)可以突破僅僅靠歷史銷售數(shù)據(jù)來建模的限制，用戶的各種行為數(shù)據(jù)，比如瀏覽，搜索，收藏，購(gòu)物車等等都可以輸入預(yù)測(cè)模型，可以利用的數(shù)據(jù)甚至還有競(jìng)爭(zhēng)對(duì)手可以獲取的數(shù)據(jù)，當(dāng)然建模系統(tǒng)要能夠規(guī)?；瘉硖幚泶罅慷鄻拥臄?shù)據(jù)源。類似比如自動(dòng)化的品類管理，以及利用站內(nèi)站外數(shù)據(jù)進(jìn)行系統(tǒng)化建模來自動(dòng)定價(jià)。對(duì)于電商其他的核心系統(tǒng)，比如倉(cāng)儲(chǔ)管理，物流，大數(shù)據(jù)同樣有著重要的意義，比如利用某個(gè)區(qū)域的用戶在網(wǎng)站上的實(shí)時(shí)行為數(shù)據(jù)，來對(duì)某個(gè)區(qū)域倉(cāng)儲(chǔ)做商品需求預(yù)測(cè)，可以提前一步運(yùn)貨到最后一公里，極大的提升物流效率。
接下來的部分著重闡述一下1號(hào)店在個(gè)性化方面的一些實(shí)踐，從個(gè)性化對(duì)電商意義來講，無疑要從用戶體驗(yàn)和商業(yè)價(jià)值兩個(gè)角度來看，而且不少場(chǎng)景下因?yàn)閮烧咧g的矛盾，如何平衡是個(gè)相當(dāng)復(fù)雜的問題。
1號(hào)店經(jīng)過將近兩年的研發(fā)，目前已經(jīng)建立起相對(duì)完善的個(gè)性化精準(zhǔn)平臺(tái)，而且在用戶各種購(gòu)物流程，各個(gè)觸點(diǎn)，以及對(duì)CRM,廣告，市場(chǎng)活動(dòng)等業(yè)務(wù)產(chǎn)生了根本的重構(gòu)和變革。
目前為止，個(gè)性精準(zhǔn)化平臺(tái)也為1號(hào)店業(yè)務(wù)在各個(gè)指標(biāo)上有較大的提升
這里列舉一些基本的推薦欄位截圖示例
搭配推薦是我們主要的推薦產(chǎn)品之一，在13年5月份第一次上線就在各個(gè)指標(biāo)上比之前人工維護(hù)獲得極大提升，值得一提的是不僅僅是覆蓋度，點(diǎn)擊率和轉(zhuǎn)化率也提升了將近一倍，充分證明了算法的有效性。但不可避免的是，算法和數(shù)據(jù)相互依賴，對(duì)于13年初的小品類因?yàn)楫?dāng)時(shí)數(shù)據(jù)量不夠，導(dǎo)致效果不明顯，但整體上來說都是成倍的提升。
對(duì)于搭配推薦這個(gè)case, 我們從多個(gè)角度來進(jìn)一步闡述：比如：
最早上線了基本的關(guān)聯(lián)挖掘，只是利用了訂單數(shù)據(jù)，效果明顯；
然后在第二階段我們利用了更多的數(shù)據(jù)比如購(gòu)物車，數(shù)據(jù)量暴增，促使我們利用更有效并且能處理更大數(shù)據(jù)量的分布式FPgrowth算法；
到了第三個(gè)階段，面對(duì)產(chǎn)品上繼續(xù)存在的問題，我們繼續(xù)利用更多數(shù)據(jù)比如同session瀏覽，并且為了解決時(shí)間序列和屬性搭配等問題，進(jìn)一步把時(shí)序挖掘和改造的泛化關(guān)聯(lián)挖掘整合到fpgrowth里，進(jìn)行算法的進(jìn)一步創(chuàng)新，同時(shí)也解決了產(chǎn)品上的一些痛點(diǎn)，也使得業(yè)務(wù)指標(biāo)得到進(jìn)一步提升；通過這個(gè)例子，我們充分在實(shí)踐中理解了產(chǎn)品，算法，數(shù)據(jù)聯(lián)動(dòng)的重要性，并獲得深刻的感性認(rèn)識(shí)。
這里再列舉兩個(gè)通過個(gè)性化推薦使得業(yè)務(wù)明顯提升的例子，一個(gè)是首頁(yè)topN推薦列表和限時(shí)搶購(gòu)的ctr比較，一個(gè)是我們團(tuán)購(gòu)個(gè)性化排序線上A/B測(cè)試相對(duì)非個(gè)性化轉(zhuǎn)化率提升的實(shí)踐。
正如前面所提到的，我們目前已經(jīng)建立起相對(duì)完善的用戶畫像平臺(tái)，這里跟傳統(tǒng)CRM的用戶視圖做一個(gè)對(duì)比，可以這么理解：傳統(tǒng)CRM主要通過分析用戶生命周期，客戶級(jí)別和RMF值等維度來了解自己的顧客，但最大的缺失是不知道下一步如何take action, 或者說無法設(shè)計(jì)出有效的action, 那么精準(zhǔn)化正是解決了這個(gè)問題，通過我們描繪出用戶的興趣圖譜，購(gòu)物類型等等維度，系統(tǒng)可以全面的了解每個(gè)顧客從而提供千人千面的服務(wù)，不管是主站首頁(yè)，app各個(gè)路徑，或者是EDM，短信/微信等觸點(diǎn)來充分的關(guān)懷用戶，給每個(gè)用戶VIP級(jí)別的1對(duì)1服務(wù)。目前1號(hào)店的用戶畫像系統(tǒng)利用實(shí)時(shí)大數(shù)據(jù)平臺(tái)已經(jīng)可以在毫秒級(jí)更新每一個(gè)人的興趣圖譜，最及時(shí)的捕捉每個(gè)顧客及時(shí)需求。
最近，我們又研發(fā)出了基于上下文的推薦產(chǎn)品，通過大數(shù)據(jù)挖掘的手段來分析不同商圈/小區(qū)，不同季節(jié)，用戶使用的不同場(chǎng)景（比如工作時(shí)段，上下班，晚上臨睡前等等）下的偏好特征，結(jié)合其個(gè)人用戶畫像來為顧客提供更加精準(zhǔn)有效的個(gè)性化服務(wù)。并在一定程度上解決用戶數(shù)據(jù)稀疏，冷啟動(dòng)等推薦領(lǐng)域一直比較頭痛的問題。
總的來說，雖然在1號(hào)店我們?cè)趥€(gè)性化推薦方向已經(jīng)取得一定的進(jìn)展，但毫無疑問未來需要探索嘗試的依舊很多，大數(shù)據(jù)挖掘是個(gè)值得長(zhǎng)期投入并持續(xù)優(yōu)化的領(lǐng)域。到目前為止，1號(hào)店技術(shù)部已經(jīng)建立起將近30人的算法架構(gòu)團(tuán)隊(duì)來負(fù)責(zé)個(gè)性化推薦核心系統(tǒng)的研發(fā)，如果加上相關(guān)的應(yīng)用團(tuán)隊(duì)，整體會(huì)超過50人。（來源：CSDN大數(shù)據(jù)；編選：網(wǎng)經(jīng)社）
