智能推薦時代的C類電商，算法屬于每一個人觀點
在C類電商中，智能推薦系統不僅僅要幫助用戶找到心儀的產品，還要幫助普通賣家更好的把握住流量。
在機器學習剛剛投入應用時，最常見的就是電商領域——讓人們在網上買下自己不需要的東西。
如今電商平臺的形式越來越豐富：完全跟從平臺自身的直營模式、數據體系更完善的大品牌B類模式，以及低門檻的小微個人C類模式。其中，C類電商的智能推薦系統是最為復雜的。
C店的智能推薦為什么會難做？直營電商就不用討論太多了，統一的商品類目管理、統一的商品排序，在做智能推薦時，更多的是注重對用戶行為的識別和用戶數據的挖掘。天貓一類的B類品牌店鋪也一樣，店鋪數量較少，品牌店通常都有自己的專業的運營團隊、歷史數據，在平臺方面，品牌店也會更加遵守規則。
可對于基數巨大、體量差異巨大、從業者生態復雜的C類店鋪來說，想要做出一套人人都滿意的智能推薦系統，可沒那么容易。今天，我們就從C店賣家的角度出發，看看智能推薦系統如何為其賦能。
逆推協同過濾算法，不僅僅是推薦
在C類電商中，智能推薦系統不僅僅要幫助用戶找到心儀的產品，還要幫助普通賣家更好的把握住流量。
我們可以看看早期的電商推薦系統是怎樣的。
以搜索展示為例，早期電商推薦最主要的原理就是文本相關性——也就是關鍵詞。最典型的表現，就是淘寶商品往往會有一個特別長的標題。
比如輸入“滑板”二字，會發現大多數商品會把滑板、長板、刷街、舞板甚至滑板車等等相關不相關的關鍵詞都加入了標題中。這已經是今天經過多次修正后的搜索效果，可以想象一下，幾年前的電商搜索結果會是什么樣子：用戶想購買滑板，結果搜索結果里有一堆滑板車、滑板鞋、滑板襪……
在標題中加入多種名詞是商家為了獲取更多流量的無奈之舉，可對于用戶來說，這樣的體驗并不好。
而面對這種情況，電商行業衍生出了一種很有趣的解決方式——創造更豐富的數據體系，應用更多的關聯推薦。
在電商買東西時，平臺總是向我們要求很多行為：收藏店鋪、收藏產品、加入購物車、為產品評分。這些行為都被平臺記錄，豐富著每個人的用戶畫像。
在應用協同過濾推薦算法時，這些豐富的個人用戶畫像就成了重要的根據，對單一用戶數據行為挖掘越深入、越準確，就可以幫助用戶量較小的C類店鋪更好的預測買家行為、甚至對產品銷售進行預判。
比如我是一位第一次搜索滑板關鍵詞的買家，進入了一家C類店鋪，而我曾經購買過運動休閑服飾，通過協同過濾算法，運動休閑服飾也會被推薦給在這家店鋪有過購買行為的用戶。這樣一來，賣家就能判斷我是一位有價值的用戶。
這樣的解釋或許有點復雜，但我們只要記住一點：豐富的行為數據體系會讓電商的協同過濾算法更加精準，而精準的協同過濾算法不僅僅能把商品推薦給人，還能逆推得知人與商品的匹配程度。
對于賣家來說，他們可以從此得知每一次引流活動是否精準，更好的提高流量轉化率。
建立預測模型，讓數據找到彼此
對于如今的電商來說，搜索和頁面廣告兩個入口已經不足以滿足賣家展示商品的需要和平臺間的競爭。主流的形式是在單一平臺上開拓更多的品類入口，比如京東的精品、淘寶的iFashion等等。
而平臺建立某一垂直品類的入口，自然不是拍腦門的決定，而是來自于流量、銷量的預測模型。
以iFashion這類面向年輕人的時裝入口為例，首先要做的就是數據特征的轉換，提取出用戶年齡、購買行為、消費能力，關聯出最受他們歡迎的產品品類。利用隨機森林或向量回歸等方式建模，模擬用戶在單一品類中的瀏覽行為、停留時間、甚至購買行為等等。
有了大概的估計后，再將入口上線、輔以流量支持。而對于C類店鋪的賣家而言，在更符合自己屬性的入口中不僅僅意味著獲取更精準的流量，也能夠讓類似產品、用戶、店鋪進行關聯。
產品、用戶、店鋪三者形成一個三角，三者之間產生的任何數據關系帶來效果都是三倍計數。從而更好哺育未來預測模型的建立。
智能推薦的未來：識別非結構化數據
除了以上兩種方式，目前的新趨勢，是通過NLP技術挖掘更多的非結構化數據。
我們逐漸發現，現在購物網站上的文字越來越多了——買家評價、電商頭條、商品問答等等。用戶在這些文字中流露出的情緒，對于賣家而言也是珍貴的數據資料。
對于C店而言，NLP技術的作用不僅僅是機器閱讀，更多的還有自然語言生成。阿里媽媽就推出過這樣的功能，利用NLP技術理解爆款產品的標題，生成模型后為其他賣家修改產品標題。相信未來通過算法模型生成爆款商品描述、宣傳文案等等也指日可待。
同樣的道理也能應用在計算機視覺上，通過計算機視覺識別商品拍攝圖、店鋪網頁設計等等，歸納出適應于不同品類、人群的設計風格，供以賣家參考。想的更遙遠一些，或許在未來，計算機視覺技術還可以通過商品圖片識別設計侵權，從售賣渠道上斷絕侵權產品出現的可能。
總之，對于C類店鋪來說，在運營中對于智能營銷和機器學習等等的新技術的依賴要更加強烈。我們也能逐漸發現，推薦算法本身似乎很少有改變，我們所做的，還是在更多的挖掘數據，不管是設置用戶行為系統這樣主動的獲取方式，還是利用機器學習技術識別圖片、文字這樣被動的獲取。
而這對于平臺和C類店鋪賣家個人來說，都是最具性價比的方法。挖掘數據帶來好處更具普適性，C店電商本該是物種豐富的，平臺不能插手其中作物的生長，但有了數據作土壤，會讓整個生態更加繁茂。
【來源：鈦媒體 作者：腦極體】
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
