Document

Report
天猫推荐
天猫营销线
天猫推荐(ald.taobao.com)
天猫推荐(ald.taobao.com)
• 在淘宝海量数据基础上,结合天猫会员习惯
和天猫内容特性进行分析和挖掘,为天猫会
员提供个性化的推荐服务,以期缩短用户购
物路径,提升用户购物体验;
天猫推荐(ald.taobao.com)
天猫推荐(ald.taobao.com)
天猫推荐(ald.taobao.com)
组成部分
①中枢控制系统
②信息加工;
③决策过程;
 问题认知
 收集信息
 方案评估
 选择
 购买结果
④环境
天猫推荐(ald.taobao.com)
EDM
HOMEPAGE
Etc (Comment)
Mall LIST
DETAIL
Etc (PAY)
天猫推荐(ald.taobao.com)
①消费者的特征辨析
Who
②消费者的心理行为
What
③如何解释消费者的行为
Why
④如何影响消费者
How
天猫推荐(ald.taobao.com)
天猫推荐(ald.taobao.com)
•
•
•
•
•
资源位背景
资源位实现
资源位梳理
资源位优化
小结
天猫推荐(ald.taobao.com)
• Tmall 购物车浮层
日均pv : 300万
业务原定位:
搭配商品,无同店异店限制
优化前 2012年3月
日均引导成交: 20万
优化后 2012年6月
日均引导成交:77万
点击率提升:250% 转化率提升: 25%
天猫推荐(ald.taobao.com)
 大体思路



服务业务,主推搭配商品
一期使用关联规则
置信度0.05,导致覆盖度
不够,使用多种补全策略
天猫推荐(ald.taobao.com)
要点:曝光率/点击率/转化率/客单价
天猫推荐(ald.taobao.com)
 步骤1:寻找Bad case (HTC手机推4块诺基亚电池)
 步骤2:Badcase跟踪(HTC手机推出齐B小短裙、推出秋装)
 步骤3:需求还原
天猫推荐(ald.taobao.com)
 步骤4:算法还原
 真实逻辑
OMG!!!!
没有推异店
直接补全
随机推荐
天猫推荐(ald.taobao.com)
 步骤5:反思
 原始推荐逻辑是否有道理
 随机因子是否应该存在
 同店、异店因素
 步骤6:优化方案
提高搭配商品覆盖度的尝试:
异店协同过滤 替代 关联
商品聚到spu后的协同过滤
类目关联规则后热销
相似性商品,看了还看
天猫推荐(ald.taobao.com)
同店关联
异店协同
异店关联
Abtest诊断一
异店关联点击非常低、购买转化率也非常低,但是客单价很高,
是另外2个算法的2倍,曾经达到了110以上。
采用完全的item直接做关联规则,数据太稀疏,推荐的效果不行。
另外2种算法刚开始不太稳定,继续观察
天猫推荐(ald.taobao.com)
异店关联
同店关联
异店协同
Abtest诊断二
异店协同的点击最好,但是转化率略低。因为这个算法采用spu和item
做混合协同过滤,一定程度的解决了数据稀疏的问题,推荐的宝贝也是最
准确,但是存在宝贝都跨店的因数影响,用户大多点击确不购买。有明显
优化空间。
同店关联点击略低,转化率最高。猜测主要影响因素是运费。同店自动
包邮,所以购买率高。
天猫推荐(ald.taobao.com)
Abtest诊断二(数据投放口径)
同店关联
异店协同
同店关联算法推荐出的item只有40%由同店关联这个主算法推出,补全
占到60%,其中有40%是由类目关联补全算法推出。但补全算法,几乎都
是bad case来源。主算法结果大约260W条记录。
异店协同算法推荐出的item有88%以上是由异店协同这个主算法推荐出
来。算法产出结果大约680W条记录。
天猫推荐(ald.taobao.com)
Abtest总结一(合理使用流量:效果分析流量分配流量追踪)
Abtest总结二(实时统计/周期统计)
Abtest总结三(同比/环比应用)
实验结论
•
•
•
•
同店买了还买关联规则的效果很好,但是浪费了大约50%左右的流量
算法推荐结果随机因子完全不应该存在,是罪魁祸首
同店是这个位置非常重要的因数,直接关系到用户点击后是否购买,邮费是重点。
异店协同作为同店买了还买的补全算法
实验效果
•
•
•
UV转化率从8%
左右,上升为
10%左右
支付宝成交金额
从日均17W左右
,上升至35W左
右
PV点击率从
1.8%左右,上升
至2.3%左右
天猫推荐(ald.taobao.com)
用户眼中的购物车是啥
天猫推荐(ald.taobao.com)
• 天猫的购物车,用户加入了是一定打算买了吗?
经过分析用户在购物车场景意图复杂,主要动作,加入,删除,选择购
买。 不同的用户,不同的类目,对于购物车的使用习惯不尽相同
例如: 真实用户
小常
真实用户
小明
小常比小明每次购物更纠结  给小常,是不是推荐相似商品更有效?
天猫推荐(ald.taobao.com)
定义单次结算,购物车使用度 (纠结度)
CUR= (|删| + |加|)/|买|
每个用户的平均使用度 ACUR 直方图如右:
主要类目的购物车使用度 ACUR 如下:
女装/女士精品
女士内衣/男士内衣/家居服
美容护肤/美体/精油
童装/童鞋/亲子装
3C数码配件市场
服饰配件/皮带/帽子/围巾
男装
女鞋
彩妆/香水/美妆工具
零食/坚果/特产
饰品/流行首饰/时尚饰品新
床上用品/布艺软饰
3.65
1.92
1.93
3.00
1.87
1.57
2.21
2.38
1.91
1.69
2.03
2.08
用户的行为,及各类目行为
是普适多样的
天猫推荐(ald.taobao.com)
通过购物车使用度
•
•
给用户一定的机率看 相似替代的商品,而不只是用来做补全
机率表达为
•
分别用类目,用户,类目用户的购物车使用度,按请求,资源位,做了实验
实验结论
•
•
类目的平均 购物车使用度的效果,优于用户 及 类目用户
按资源位分配位置,优于 按请求分配流量
实验效果
•
•
•
UV转化率基本保持不变
PV点击率从2.3%左右,上升至4.5%左右
支付宝成交金额从日均35W左右,上升至77W左右
天猫推荐(ald.taobao.com)
•
•
•
UV转化率基本保持不变
PV点击率从2.3%左右,上升至4.5%左右
支付宝成交金额从日均35W左右,上升至77W左右
天猫推荐(ald.taobao.com)
1.Tmall实时效果监控系统
2.Tmall实时行为采集分析系统
3.Tmall算法部署调度系统
4.Tmall推荐数据存储系统
5.Tmall推荐内容制作系统
1.确定你需要真的推荐系统
2.确定商业目标和用户满意度
之间关系
3.选择合适的开发人员
4.忘记冷启动
5.平衡数据和算法之间的关系
1.<<推荐系统实践>> (49¥)
6.不要为了推荐而推荐,选择合适时机
7.利用神会网络数据计算相似兴趣用户
8.不断提升算法扩展性
9.选择合适的用户反馈方式
5.设计合理评测系统,关注系统性能
2.<<数据挖掘导论>>(69¥)

similar documents