Transcript ppt下载
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¥) 天猫推荐(ald.taobao.com) 天猫推荐(ald.taobao.com) 实仙: [email protected] 南天: [email protected] 樱木: [email protected] 仲昕: [email protected] 凌峰: [email protected] 范大: [email protected] 天猫推荐(ald.taobao.com) 星矢: [email protected] 无劫: [email protected] 法印: [email protected] 卢云: [email protected] 恒念: [email protected] 天猫推荐(ald.taobao.com) 万里:[email protected]