天猫推荐实战经验分享

1,439 views

Published on

天猫推荐实战经验分享

Published in: Technology
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,439
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
38
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

天猫推荐实战经验分享

  1. 1. 天猫推荐 天猫营销线
  2. 2. 天猫推荐 (ald.taobao.com)大纲 基础知识 推荐实战 团队介绍
  3. 3. 天猫推荐 (ald.taobao.com)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;
  4. 4. 天猫推荐 (ald.taobao.com)推荐地图
  5. 5. 天猫推荐 (ald.taobao.com)基本思想
  6. 6. 天猫推荐 (ald.taobao.com)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
  7. 7. 天猫推荐 (ald.taobao.com)天猫会员行为模型 (EBK) EDM HOMEPAGE Etc (Comment) Mall LIST DETAIL Etc (PAY)
  8. 8. 天猫推荐 (ald.taobao.com)消费者行为学应用① 消费者的特征辨析Who② 消费者的心理行为What③ 如何解释消费者的行为Why④ 如何影响消费者How
  9. 9. 天猫推荐 (ald.taobao.com)大纲 基础知识 推荐实战 团队介绍
  10. 10. 天猫推荐 (ald.taobao.com)购物车弹出层• 资源位背景• 资源位实现• 资源位梳理• 资源位优化• 小结
  11. 11. 天猫推荐 (ald.taobao.com)资源位背景 • Tm 购物车浮层 all 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%
  12. 12. 天猫推荐 (ald.taobao.com)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
  13. 13. 天猫推荐 (ald.taobao.com)资源位梳理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
  14. 14. 天猫推荐 (ald.taobao.com)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
  15. 15. 天猫推荐 (ald.taobao.com)3. 问题诊断 (6 步曲 ) 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
  16. 16. 天猫推荐 (ald.taobao.com)3. 问题诊断 (5 步曲 ) 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
  17. 17. 天猫推荐 (ald.taobao.com)资源位的优化 – 搭配型商品算法选择 @ 天猫业务环境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
  18. 18. 天猫推荐 (ald.taobao.com)资源位的优化 – 搭配型商品算法选择 @ 天猫业务环境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。
  19. 19. 天猫推荐 (ald.taobao.com)资源位的优化 – 搭配型商品算法选择 @ 天猫业务环境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。
  20. 20. 天猫推荐 (ald.taobao.com)资源位的优化 – 搭配型商品算法选择 @ 天猫业务环境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
  21. 21. 天猫推荐 (ald.taobao.com)资源位的优化 – 业务场景的用户行为 @ 天猫 用户眼中的购物车是啥
  22. 22. 天猫推荐 (ald.taobao.com)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: 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?
  23. 23. 天猫推荐 (ald.taobao.com)资源位的优化 – 业务场景的用户行为 @ 天猫 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 3.65女士内衣 / 男士内衣 / 家居服 1.92美容护肤 / 美体 / 精油 1.93童装 / 童鞋 / 亲子装 3.003C 数码配件市场 1.87服饰配件 / 皮带 / 帽子 / 围巾 1.57男装 2.21女鞋 2.38彩妆 / 香水 / 美妆工具 1.91零食 / 坚果 / 特产 1.69 ● 用户的行为,及各类目行饰品 / 流行首饰 / 时尚饰品新 2.03 为床上用品 / 布艺软饰 2.08 ● 是普适多样的
  24. 24. 天猫推荐 (ald.taobao.com)资源位的优化 – 业务场景的用户行为 @ 天猫 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
  25. 25. 天猫推荐 (ald.taobao.com)资源位的优化 – 业务场景的用户行为 @ 天猫 • 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
  26. 26. 天猫推荐 (ald.taobao.com)推荐小结系统概况 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 推荐内容制作系统推荐系统十堂课 1. 确定你需要真的推荐系统 6. 不要为了推荐而推荐 , 选择合适时机 2. 确定商业目标和用户满意度 7. 利用神会网络数据计算相似兴趣用户 之间关系 8. 不断提升算法扩展性 3. 选择合适的开发人员 9. 选择合适的用户反馈方式 4. 忘记冷启动 5. 设计合理评测系统,关注系统性能 5. 平衡数据和算法之间的关系参考资料1.<< 推荐系统实践 >> (49¥) 2.<< 数据挖掘导论 >>(69¥)
  27. 27. 天猫推荐 (ald.taobao.com)大纲 基础知识 推荐实战 团队介绍
  28. 28. 天猫推荐 (ald.taobao.com)团队介绍实仙 : shixian@taobao.com 樱木 : yingmu@taobao.com 凌峰 : lingfeng@taobao.com南天 : nantian@taobao.com 仲昕 : zhongxin@taobao.com 范大 : fanda@taobao.com
  29. 29. 天猫推荐 (ald.taobao.com)团队介绍星矢 : xingshi.ycy@taobao.com 无劫 : wujie.hd@taobao.com 卢云 : luyun@taobao.com法印 : fayin.dyk@taobao.com 恒念 : hengnian.mh@taobao.com
  30. 30. 天猫推荐 (ald.taobao.com) 万里 :wanli@taobao.com

×