天猫推荐实践经验分享.pptVIP

天猫推荐 天猫营销线 天猫推荐() 基础知识 推荐实战 大纲 天猫推荐() 产品概况 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() 推荐地图 基本思想 天猫推荐() 天猫推荐() 消费者行为经济理论EBK(1986) 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 DETAIL Etc (PAY) HOMEPAGE Mall LIST Etc (Comment) EDM 天猫推荐() 天猫会员行为模型(EBK) 天猫推荐() 消费者行为学应用 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() 基础知识 推荐实战 大纲 购物车弹出层 天猫推荐() 资源位背景 资源位实现 资源位梳理 资源位优化 小结 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() 资源位背景 天猫推荐() 资源位的实现 – 基本算法 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 资源位梳理 天猫推荐() 1.效果数据采集 2.效果数据评估 要点:曝光率/点击率/转化率/客单价 天猫推荐() 3.问题诊断(6步曲) 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() 真实逻辑 OMG!!!! 没有推异店 直接补全 随机推荐 步骤4:算法还原 3.问题诊断(6步曲) 天猫推荐() 步骤5:反思 3.问题诊断(5步曲) 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() 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 同店关联 异店协同 异店关联 Abtest诊断一 资源位的优化 – 搭配型商品算法选择 @天猫业务环境 天猫推荐() 同店关联 异店协同 异店关联 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。 资源位的优化 – 搭配型商品算法选择 @天猫业务环境 天猫推荐() Abtest诊断二(数据投放口径) 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。 同店关联 异店协同 资源位的优化 – 搭配型商品算法选择 @天猫业务环境 天猫推荐() 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) 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 实验结论 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 资源位的优化 – 搭配型商品算法选择 @天猫业务环境 天猫推荐() 用户眼中的购物车是啥 资源位的优化 – 业务场景的用户行为 @天猫 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：