PS:产品体验基于iOS版天猫客户端V7.12.10
一、场景解读(一)智能搜索
找商品是用户的基本诉求,搜索栏便是满足搜索诉求的载体:在搜索栏内输入关键字点击搜索、搜索列表页找到合适商品,点击进入详情页购买,这是一个简单直接的转化路径。
有几个业务问题需要考虑:
天猫的智能搜索解决方案如下:
1.搜索详情页
(1)搜索栏内关键词智能预测
比如搜索关键词“彼得兔”,结果列表页未发生点击,每次返回首页时,搜索栏内均提供了预测关键词,依次是:彼得兔公仔、动物毛绒玩具、毛绒玩具小、兔子毛绒玩具、毛绒玩具、生日礼物女生等关键词。天猫在通过不断的修正关键词,预测、挖掘用户意图。
(2)最近搜索
可记录最近几条搜索关键词,点击可直接再次发起搜索行为,提高输入效率。
(3)猜你想找
(4)图片搜索
(5)语音搜索
2.搜索结果列表页
传统的搜索引擎是根据输入关键词,返回固定检索结果,而天猫会根据用户行为和画像,并结合卖家的流量投放诉求,实时调整搜索结果,以保证搜索结果的召回率、准确率,及个性化的排序。
(二)智能推荐
同搜索一样,推荐也是天猫重要的自然流量入口。推荐解决了用户在逛、找、比、等、凑、买等全链路购物场景下,用户与商品高效的个性化匹配。
天猫的智能化推荐解决方案如下:
1.首页
首页是天猫的第一流量入口,承载着用户流量分发、用户兴趣探索等作用。
(1)轮播图
位于首页最显眼的位置,9张banner图自动切换,位置的优越性足以体现其带来的流量转化价值。
首页轮播图栏位一般是强人工运营的活动栏位,轮播图内容是针对所有用户的白名单。但是由于天猫用户的广泛性,消费能力各异、兴趣各异,因此活动的定向投放可以防止流量资源浪费,提高运营效率。
定向投放的规则基于用户历史行为、兴趣偏好、消费能力、促销敏感度等用户行为和用户画像,如男性用户看到的秋冬服装活动推广是“男士羽绒服”;浏览过某款橄榄油的用户看到“天猫食品频道买一送一”活动。海报上的橄榄油图片设计可能出自设计师,也可能出自AI设计平台“鹿班”。
总之,强人工运营规则加部分个性化介入的banner,使用户体验和流量价值最大化。
(2)限时抢购
(3)天猫好物
同样是基于用户历史行为,个性化推荐的商品列表。与其他栏位不同的是,此栏位的商品海报很大很精致,每页仅展示一个商品——图片同价格。
推荐业界公认的法则:推荐场景>UI>算法。鹿班千万级的白底图库提供的白底和素雅海报搭配显得很精致,让人联想起无印良品和网易的“严选”模式。
(4)聚划算
提供高性价比商品,但已经是阿里旗下另一大平台,有单独app。此处为聚划算引流,不再展开解读。
(5)发现品牌
是天猫第五层栏位。不同于其他栏位的商品纬度,发现品牌是以品牌纬度为切入点,完成品牌新品、资讯的推荐分发。
点开分别展示单品页和品牌详情页,前者的单品页以品牌某款新品为主,提供该单品的大幅海报及品牌其他新品推荐;后者品牌详情页提供了品牌简介、新品上市、限时特价、品牌资讯等内容,还提供了相似品牌推荐,如根据苏泊尔品牌推荐九阳、美的等品牌。
(7)天猫小黑盒
中层左侧是天猫小黑盒。天猫小黑盒定位于提供全球新品营销一站式解决方案。天猫官方会从世界各地搜索最近30天新鲜上市的全球新品提供给用户。天猫小黑盒结合热卖、热搜、好评等多重标准,提供基于个人兴趣的新品榜单,品类划分很细。
(8)品牌头条
为什么品牌这个维度也会如此重要?
(9)推荐榜单
此外,还可在一定程度解决用户冷启动的问题。榜单是基于用户兴趣的,而不是统一的榜单,是因为:天猫品类繁多,不像图书类电商或音乐应用可以提供标准化的热销榜或Top10;天猫的用户体量已经足够大,现阶段可淡化用户冷启动问题,直接提供基于用户行为的细分类目榜单也未尝不可。
此外,每条推荐结果都提供了“看相似”功能,可以针对当前推荐结果进行下钻,查看相似商品、相似品牌、相似榜单、相似搭配,进一步挖掘用户意图,引导用户达成交易。
推荐结果的点击行为可作为正反馈,曝光未点击、长按删除行为可作为负反馈,以此为依据持续对推荐模型进行调优,使推荐结果更加精准。
首页下拉刷新后会切换排序方式,可能是基于两种不同的排序算法,如点击率预估CTR/转化率预估CVR。
2.商品详情页
(1)商品详情页
(2)看了又看
对于天猫超市的商品详情页,推荐场景则有所不同。
看了又看
栏位根据浏览当前商品的人协同过滤计算出还看了哪些商品,品类与当前商品一致,提供的是相似商品列表,扩大用户的挑选范围。
买了又买
看了又看和买了又买提供的是8条推荐结果,交互为左右滑动加载全部。个人感觉如果将每屏最后的结果只显示一半,暗示用户可左右滑动,交互会更合理。当然,是不是天猫的产品经理有意而为之就不好猜测了。
购物车同样是非常重要的功能页,承载着收藏、提交订单等功能。购物车页内每个加购的商品左滑有“点击发现”,与删除功能并列,设计也是别有心意,起到一定引导作用。点击发现,则根据当前加购商品ID,推荐的相似商品、相似榜单、相似品牌,类似于上述推荐结果列表的“看相似”功能,下钻推荐,进一步帮助用户找到目标商品并达成交易。
加购的天猫超市商品有“去凑单”功能,根据天猫超市内加购的商品ID,获取关联推荐的商品列表,以价格纬度展示,完成用户的“满88元包邮”的个性化凑单场景。
4.支付完成页
(三)总结
总体来说,天猫的推荐场景覆盖了首页、商品详情页、购物车页、支付成功页等主要购物链路的每个环节。
围绕电商领域几个核心KPI:CTR点击率、CVR转化率、GMV商品交易总额,天猫推荐系统通过复杂、适时的推荐算法和推荐策略,架起了海量用户和海量商品的桥梁,为用户千人千面的推荐个性化商品,其核心目标无外乎是:引导用户点击、引导用户转化、增加用户粘性。相信随着推荐场景及算法的不断迭代,推荐系统会为天猫提供更高的销售转化。
二、中后台支撑
(一)HA3搜索召回引擎
检索系统的流程如下:用户→匹配&推荐→预估模型→排序展示。匹配(match)和排序(rank)是两个重要环节,召回结果的质量主要决定了搜索结果的质量。
HA3是阿里巴巴搜索团队开发的搜索召回引擎平台,经过多年迭代,已经形成一套高效的在线数据存储和管理框架,离线产出索引,在线响应用query。
(二)在线机器学习系统
面对10亿级的商品,全库检索是不可能的,将10亿商品转化为30层的二叉树,机器学习层每层扫描,寻找最优,从而将10亿次衡量转换为30次从上到下的衡量。后面的预估模型对给定的商品做兴趣度的预估,点击率预估、转化率预估,通过预估后面有一些排序展示。
阿里搜索技术体系目前有offline、nearline、online三层体系,既能保证日常流量下稳定有效的搜索,也能满足双11场景下的短时高并发。通过批量日志下的offline离线建模,到nearline下针对增量数据的实时建模在线预测,然后到在线机器学习和决策。
传统的LTR(learningtorank)是根据历史的数据构造样本,回归出排序权重。这种方法解释了过去的现象,但未必是全局最优的。经常给用户反复展示历史行为的检索结果,缺少有效的探索能力。而通过在线强化学习(ReinforcementLearning,RL),可对商品排序进行实时调控优化。
强化学习的过程很像是条件反射。如果把搜索引擎看成智能体(Agent),用户看成环境(Environment)。Agent每一次排序策略的选择可以看成一次试错(Trial-and-Error),把用户的反馈,点击成交等作为从环境获得的奖赏。在这种反复不断地试错过程中,Agent将逐步学习到最大化累计奖赏,从而得到最优的排序策略。
(三)品牌个性化排序系统
(四)电商知识图谱
阿里拥有全国最大的电商领域关系图谱,约几十亿实体、千亿边和几十种关系类型。其中包括:
知识图谱将数据和知识高度结构化,可应用在搜索次归一、搜索推理联想、智能问答、智能审核商品发布等领域。
(五)ABFS统一特征服务平台
ABFS(AliBasicFeatureSever),统一特征服务平台,主要负责用户实时数据的处理及特征统计,如用户的基础行为特征(浏览、加购、收藏、购买)、统计特征(点击次数、转化率)。用户的实时数据在ABFS上,传递到TPP平台供BE调用。
(六)TPP推荐平台
(七)BE向量化召回引擎
BE(BasicEngine),向量化召回引擎,是DII中的推荐召回引擎,负责从多种类型的索引表中召回商品,并对候选商品集合进行过滤和粗排序。线上召回效率极高,可以在几毫秒内对全库商品进行召回。
(八)RTP实时打分预测引擎
RTP(RealTimePrediction),实时打分预测引擎,收到TPP推荐系统的前端请求后,RTP平台实时产出特征,运行CTR、CVR等各种预估模型,并对请求列表中的每个商品计算分值,得出精排序结果列表。
(九)iGragh图查询引擎
(十一)Porsche在线学习平台
Porsche是基于Blink的分布式流式计算框架,提供了日志处理、特征计算和实时建模的插件接口。算法人员通过在Porsche平台上离线调试模型,调到最优结果再发布到线上。如:用户商品复购率模型、用户商品喜好归因分析模型等。
(十二)鹿班智能设计平台
鹿班(AIGraphics)智能设计平台,包括智能生成、创作助手、智能排版、设计拓展等功能模块,可帮助企业快速、批量、自动化的进行图片设计。
2017年双11,鲁班总共设计了4亿张海报,平均每秒设计8000张,每天完成4000万张海报制作。截至目前,鲁班已经累计设计了10亿次海报,极大节省了海报设计成本。
作者:HermanLee,公众号:产品方法论(ID:HermanLee2018)
本文由@HermanLee原创发布于人人都是产品经理。未经许可,禁止转载。