618 购物狂欢 | 揭秘亚马逊和淘宝:如何打造算法成为最佳导购

继「双十一」之后,京东也借着店庆日,制造了与其遥相呼应的「618」年中购物狂欢节。而各大电商除了用各种营销手段吸引顾客外,也在利用智能推荐不断影响着用户的购物选择。推荐系统为交易额的增长带来了极大的贡献。

2009 年,淘宝开创了「双十一」,硬是把原本的光棍节扭转为购物狂欢节。自此之后,各大电商造节的历史帷幕也逐渐拉开。

近几年,各种网络购物节几乎贯穿了一年的始终。

购物节:消费者的狂欢,电商们的战争

从元旦开始,一系列购物节便接踵而至。

从春节的「年货节」,到 3 月 8 日的「女神节」,再到 5 月下旬的「母婴节」,再到年中「618」狂欢,继而是下半年的「双十一」、「双十二」……举不胜举。各大电商轮番变着花样地,给广大剁手党买买买的理由。

几乎各大电商都拥有自己的专属购物节

最近,眼看京东「618」就要来了,各大电商和剁手党们都在纷纷摩拳擦掌。

从 5 月底开始,各大电商已经在为这场年中狂欢预热,广告铺天盖地,营销策略上也是各显神通:前 1 小时五折抢,低至 6.18 元,各种额度的满减……而剁手党们也早早就开始精挑细选,把购物车塞得满满当当。

而对于各大电商的员工来说,这样的购物节,仿佛一场没有硝烟的战争一般,「战线拉得太长,就等 6.18 打响了。」

对于这场「战争」中的主角——广大剁手党来说,随着消费者消费水平的提高,价格已经不再是选购的唯一导向,因此各大电商也不再只是单纯拼价格。品牌、质量、评价等多方面因素都会成为参考因素。而推荐系统的 「猜你喜欢」和「有好货」之类的,更是不断影响着剁手党的选择,不断打破他们的自制力。

个性化推荐系统为很多公司带来益处,自 2008 年起,推荐算法为 YouTube 每天增加了数十万小时的观看时长

因此,一个更智能的推荐系统也成为了电商平台们必不可少的战斗武器。

无处不在的个性化推荐

如今,智能推荐系统已无处不在。

今日头条当初就是凭借算法解读读者兴趣 DNA,为用户提供精准的的新闻推荐,从而在众多新闻客户端中脱颖而出。还有比如影评平台上「喜欢这部电影/图书的人也喜欢……」,音乐软件的歌单推荐,求职软件上「你可能感兴趣的工作」,都是基于智能推荐系统。

亚马逊是智能推荐系统的「始祖」,在 1998 年推出了基于项目的协同过滤算法

而各类电商平台更是已经离不开推荐系统。据智能推荐的始祖亚马逊称,其 40% 的收入都来自于个性化推荐系统。

事实上,推荐系统最初就是从零售业中开始流行,至今已有 20 年历史。它先后经历了简单的关联推荐到个性化推荐阶段。

从最初的基于用户的协同过滤,到后来基于内容的过滤算法,再到最后的混合推荐算法,不断加入机器学习、深度学习等技术,使得推荐也越来越个性化

推荐引擎的类型:a. 协同过滤;b. 内容过滤

最初,推荐系统主要依赖商品数据,推荐正在搜索的商品的同类型产品,可谓 「千人一面」;到之后基于用户之间的关联,加入数据挖掘、机器学习等技术的个性化推荐,已经做到了 「千人千面」

淘宝的智能推荐算法揭秘

如今,智能推荐给剁手党带来了不小的便利,算法成了比自己还懂自己的导购员不过,要知道,这一个个不断吸引用户去点击的商品背后,是复杂的算法,涉及机器学习、大数据、自然语言处理等等。

以大部分网购者比较熟悉的淘宝为例。淘宝的推荐系统也经历了几个阶段的发展。

淘宝最新版智能推荐系统「猜你喜欢」,可以无限下拉

2011 年,淘宝内部出现第一个推荐算法的实验项目。当时是一个名叫「母婴档案」的个性化项目,主要为母婴客户推荐适合的产品。该项目最初设立初衷是希望提高搜索效率,让用户能更快找到符合自己需求的商品,增加交易量。在此之前,传统的电商搜索都还是用的「千人一面」的同一套算法。

2013 年左右,随着平台上的商品越来越多,对所有用户采用同一套搜索算法,已经不能满足用户需求了。为此,淘宝把个性化推荐和搜索正式提上日程,迎合用户开始走向多元化的需求。

传统的推荐系统,是基于单一的数据依据,最新的推荐系统则混合多类数据,基于各类关联去判断

淘宝用聚划算做了一次至关重要的个性化推荐测试——以往聚划算的商品展示的排序是遵循每个小时计算出的销量,上了个性化排序后,商品成交量很快提升了一倍。

测试的成功让淘宝对个性化推荐更加有了信心。于是,2014 年,继电商搜索团队后,阿里又成立了专门的推荐技术团队。

大量的用户数据也让阿里的推荐系统拥有了足够依据。除了年龄、性别这些基本信息,用户的购物历史、搜索历史、浏览足迹,都被机器收入囊中,去定义其偏好。

「我们可以观察你的每次浏览行为中,比如 10 个坑位里你看的商品是否是都是相似的,当推荐的品类过于集中,机器通过一些信号感应到用户(审美)疲劳了,下一步的推送就会提高探索度,推荐点其他的。」

淘宝推荐系统负责人曾介绍道,「商品推荐最糟糕的情况就是用户看了、商品曝光了,但一直在滚动屏幕,并不点进去。」

但是,算法能够从用户行为中找出逻辑也并非易事。作为用户,这样的场景可能很常见:打开淘宝,浏览一条裙子,再去浏览自行车,然后再回来看裙子,最后买一包辣条走了。

天猫首页推荐系统框架

要在一团乱麻的行为中抽离规律,算法工程师想出两种方法:一是实时推荐,让复杂的模型和算法迅速理解每次点击的意图,随时跟随用户脚步进行推荐;一是将毫无逻辑的行为进行分类,即按照品类如服饰、电子产品等分类。

再到 2018 年,淘宝的智能推荐走向场景化。比如,在用户搜索北欧风餐椅的时候,不仅仅推荐餐椅,还会推荐全套的北欧风家居用品。据介绍,如此改进之后,淘宝的推荐栏目使用率提升了很多。

我们使用电商平台时,也从最初的有目的去 「搜」,渐渐变成了漫无目的去 「逛」。而闲逛之中,常常会不知不觉买下一堆被推荐的商品。

推荐系统的局限性与挑战

但是,推荐系统也常常会被吐槽。推荐不准确、重复推荐是最常见的槽点。

有用户曾抱怨:我刚买了条棉被,结果天天还给我推荐;还有用户表示:每天都给我推荐同一种风格的裙子,我都要审美疲劳了。

数据表明,对于图书、食品等商品,复购率比较高,所以重复推荐的算法也需要有针对性。同样的算法,不再适用于所有用户与商品。

因此,在准确性与潜在需求挖掘方面,推荐技术还需要不断改进。未来某一天,可能闭着眼,也能买到最想要的东西了。

最后,祝大家购物节购得过瘾,购得愉快。

点击阅读原文