Cognos Analytics 產品介紹>>>

母嬰相對一般的電子商務網站有一些特點：第一個特點是商品周期短，在母嬰網站上的商品，在線的時間不會超過5-7天，第二個是用戶需求的變化快，在母嬰行業，可能是用戶的需求變化最快的領域，比如是用戶處在懷孕當中，關心的是孕媽的一些問題，幾個月以后，隨著寶寶的落地，就會準備一些紙尿褲和奶粉，而且隨著寶寶的長大，紙尿褲和奶粉的類型也會變化。第三個是移動化，一般有90%的成交是來自移動端的。

手機端的屏幕非常的小，可以給客戶的信息非常的有限，所以需要我們幫助用戶找他有興趣的東西，大數據平臺既要為網站的活動提供大數據的支撐，還需要實現個性化的推薦，搜集用戶的行為，全面的了解用戶的購物意圖，推薦用戶感興趣的商品。

下圖是整個大數據平臺的架構圖，最下面的是我們的數據收集，后面會有介紹。計算層包括了離線計算和實時計算，以后搜索引擎，在算法層有協同過濾，分類產生一些用品的商品特征，以后排序的模型。在業務層的話，業務的類型是豐富多彩的，我們會融入一些運營的規則進行調整，包括一些個性化的調整和推薦，以及營銷。

BI層的應用有面向運營的，面向商家的，會涉及用戶的瀏覽日志，在PC上的一些行為，比如是用戶瀏覽了一些什么商品，點擊了一些什么商品，對數據的消費也有二種方式，一種是實時消費，一種是離線消費，這種方式會在每天的凌晨進行一次統計，會有一天的延時，比如是 今天上線的活動，可能明天才知道這個活動的效果，因為我們研發了一套實時的數據研發系統，因此任何需要實時消費的數據報告，只要訂閱就可以了。

分布式的調度是整個大數據平臺的核心，在大數據平臺處于一個指揮的作用，比如是任務管理，任務監控和任務日志，我們研發了一套分布式的系統，里面有二種角色。Master主要是負責任務的管理，任務的分配，任務的執行，任何的Master掛掉，都不會影響我們系統的運營。

在整個大數據平臺上，很大一部分是推薦的產品，第一類是個性化的排序，個性化排序的特點是在侯選級的情況下，根據用戶的不同的購物的用途，為用戶做個性化的排序，用戶到達我們網站的時候，我們會推薦所有在線的品牌特賣，比如是一天500個，根據用戶的購物的意圖，做個性化的數據。

第二個是關聯推薦，比如是推薦和這個商品相似的商品，購買的商品可以推薦搭配的商品。第三個是個性化推薦，給指定的用戶推薦他感興趣的商品，比如是在用戶的資料的頁面，我們會直接給用戶推薦他感興趣的商品。

除了這三種推薦的形式，還包括通過個性化的短信，個性化的推送，引導用戶到我們的平臺，我們會給用戶推薦感興趣品牌，我們會對商品進行個性化的排序，還會有相似商品的推薦，用戶交易的環節，還會推薦和這個商品搭配的商品，包括周期購買預測等。

為什么會有這種推薦，可以從二個方面來看，一個是我們網站本身是一個輕搜索重推薦的模式，在我們的網站上搜索的功能是非常的弱化的，我們最近的上線的搜索 框也很不明顯，這是一個推薦商品非常重要的渠道，從推薦的本身來說，也可以看到它的三個方面價值，提升用戶的購物的體驗。幫助商家找到感興趣的用戶，也可 以提高他的銷售額，對整個平臺來說，只有服務好用戶和商家，才能得到一個比較好的持續的發展。

推薦這么的重要，最重要的是用戶畫像，這是我們的吉祥物，我們會對它進行二個部分，一個是靜態的畫像，比如是性別，年齡，寶寶的年齡性別，以及一些動 態的畫像，比如品牌，購買時間，購買渠道等等，我們的這個行業里面，最重要的一個特征就是用戶的性別年齡，不同的寶寶的性別年齡會影響到購物的偏好，很大 的一部分的媽媽是填寫了一些用戶的信息的，比如說寶寶的年齡是0-1歲，可以利用這個用戶的行為特征，比如是它的瀏覽次數，收藏次數，有了這樣子的模型， 就可以來填寫寶寶年齡的預測。

第二套很重要的標簽是購物偏好，主要是提到的一些動態標簽，比如是品牌內部等等，我們會統計用戶在我們的平臺上的一些行為，根據這些行為的成本給予不同的 選中，包括瀏覽電極，啟發式的做法非常的簡單，也是非常的容易理解，這些參數不好確定，這個時間的衰減應該做如何的衰減的程度。

我們現在正在用機器學習的方式做用戶的偏好預測，把用戶當前的購物的偏好做特征來進行一些購物的偏好。有一個很重要的推薦的類型是個性化的排序，當用戶到 了我們的PC半島外圍網上直營的時候，會展現每天500個在線的專場，用戶很難通過翻頁的方式來瀏覽所有的品牌，我們有一套規則的算法，模型有非常多的特征，可以考慮 非常多的因子，規則往往是只有幾個關鍵的因子，比如是會把GMA往前排，規則是靠經驗和參數的。已經形成了一個優化的問題。還有模型很方便加入用戶的特征 做個性化的特征。

第一檔就提升了6%，至于怎么樣做，這個就是一個學習的流程，主要是離線和在線二個部分，在線系統搜集到了排序以后，也會根據用戶的ID和品牌的ID，構建同樣的特征和模型進行組合，就可以得到用戶對每一個平臺的分數。

那特征是這里面最重要的一部分，有屬性特征，主要是各種維度的特性，還有是統計特征，還有偏好特征，偏好特征是我們做個性化推薦的最基本的推薦，這個是和 用戶有關系的，比如是用戶的畫像。在這里面，我們做了很多的嘗試，剛開始的時候，有點擊率，點擊率很好做，我們發現點擊率的提升和我們的GMA的提升不是 完全一致的。我們用過分類和排序的算法，排序的算法會好一點，非線型的模型也會更有優勢一點。

我們到了電商網站的時候，肯定遇到過這樣子的產品，你看過的商品可能是感興趣的商品，在這個行業里面有很規律的算法，但是在母嬰特賣里面，有它自己的特 點，它的商品每一行是代表了一個用戶，每一列是代表的一個商品，第一周上線的商品第三周上線的時候，另外二個已經是下線了，第二個特點是在線的商品比較 少，就會把舉證壓縮，這樣子的話，對這個舉證會變的不這么的稀疏。第三個是這個行業的特點，比如是寶寶的性別，寶寶的年齡是否是一致的，如果是一致的話， 那是否有一個持續性。1-3歲的話，還可以，但是如果是對一個1-3歲的商品，可能就不大合適的。

我們根據這些特點做了一些改進，比如是我們有做時間，熱門打壓。相同的協同過濾的算法可能會不在線，一種是機遇標題和描述的相似度，還會加上運營的規則，是否匹配，有一些地方可以推薦同品牌，有一些可能推薦其他的品牌。

雖然我們剛才說的對算法進行了改進，單一的算法總是有一些局限性，因此我們現在正在做的是把多個算法結合在一起，比如是瀏覽的CF，購買的CF加上用戶的特征，進行一個個性化的重新排序，我們正在研究這么一套新的流程。

我們第一檔上線以后，可以看到在各個資源上都取得了很大的提高了，部分的資源上甚至是提高了500%的提升，我相信我們新的個性化的排列上線以后，會有更大的提升。

如果你購買了一個商品，再推薦一個相似的商品，這是不合理的推薦，用戶購買了一個商品以后，比如是夠末了C1以后，購買C2是一個簡單的記數，比如是買奶嘴的用戶里面，39%的用戶會買奶瓶，買了紋胸的用戶里面，有20%的會買內褲，買了紙尿褲的用戶會有30%買濕巾。

還有個性化的推薦的工作，但是還不完全一樣，主要是有一個很嚴重的痛點，經常會收到一些短信的推送，可能是一些打擾的工作，但是在我們的平臺上，我們的運 營也遇到了同樣的痛點，他們想搞活動的時候，他們也很難確定目標用戶是什么，所以他們確定了精準營銷的框架，能夠幫助運營，選出他的目標用戶，在適合的時 間發送感興趣的商品。

我們首先是會對用戶打上標簽，通過投放的請求，動態生成Hive，我們會返回目標用戶以及時間。我們在用戶的拉新方面也做了一部分的工作，我們平臺的業務 的發展非常的迅速，我們吸引了一部分的用戶以后，我們希望把用戶轉化成購買用戶，一個是根據用戶注冊時候的靜態畫像，對用戶做個性化的配置，整體的轉化率 是10%以上。雖然我們在這一方面已經做了一些嘗試，但是未來還有更多的可以探索的地方，一個是在數據的方面，剛才提到的個性的推薦是，首先是會更加的全 面和精準的把畫像做的更準確。第二個是時效性的方面，需要快速的捕捉客戶的需求。在模型方面，我們也會投入更多的精力，通過在線的方式更新我們的模型，應 用的話，雙十一也快到了，我們希望我們的個性化的算法也可以發揮一些作用，以及在商家端做一些嘗試，幫商家做一些預測等等。

via:lxw的大數據田地

2016企業革新方案大放送，慧都聯合IBM為你量身打造大數據專屬解決方案！詳情請咨詢在線客服>>>