Soumettre la recherche
Mettre en ligne
天猫推荐实战经验分享
•
Télécharger en tant que PPT, PDF
•
2 j'aime
•
1,504 vues
W
wenshi_chen
Suivre
天猫推荐实战经验分享
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 31
Télécharger maintenant
Recommandé
Practical Lessons from Predicting Clicks on Ads at Facebook
Practical Lessons from Predicting Clicks on Ads at Facebook
Wei-Yuan Chang
数据挖掘竞赛经验分享 严强
数据挖掘竞赛经验分享 严强
Felicia Wenyi Fei
[2C2]PredictionIO
[2C2]PredictionIO
NAVER D2
Introduce to PredictionIO
Introduce to PredictionIO
Wei-Yuan Chang
[SDX2016] 網站分析工作的領悟 / 鍾喬后 Isobar 安索帕 資料分析經理
[SDX2016] 網站分析工作的領悟 / 鍾喬后 Isobar 安索帕 資料分析經理
悠識學院
IxDC2011 中国交互设计体验日_数据分析在网页评估中的作用_淘宝_王雯
IxDC2011 中国交互设计体验日_数据分析在网页评估中的作用_淘宝_王雯
IxDC
芳草集 大卖家的瓶颈和出路
芳草集 大卖家的瓶颈和出路
chaojiwangpu
淘宝店、淘宝商城排名规则及流量提升培训教程
淘宝店、淘宝商城排名规则及流量提升培训教程
yinsong1986
Recommandé
Practical Lessons from Predicting Clicks on Ads at Facebook
Practical Lessons from Predicting Clicks on Ads at Facebook
Wei-Yuan Chang
数据挖掘竞赛经验分享 严强
数据挖掘竞赛经验分享 严强
Felicia Wenyi Fei
[2C2]PredictionIO
[2C2]PredictionIO
NAVER D2
Introduce to PredictionIO
Introduce to PredictionIO
Wei-Yuan Chang
[SDX2016] 網站分析工作的領悟 / 鍾喬后 Isobar 安索帕 資料分析經理
[SDX2016] 網站分析工作的領悟 / 鍾喬后 Isobar 安索帕 資料分析經理
悠識學院
IxDC2011 中国交互设计体验日_数据分析在网页评估中的作用_淘宝_王雯
IxDC2011 中国交互设计体验日_数据分析在网页评估中的作用_淘宝_王雯
IxDC
芳草集 大卖家的瓶颈和出路
芳草集 大卖家的瓶颈和出路
chaojiwangpu
淘宝店、淘宝商城排名规则及流量提升培训教程
淘宝店、淘宝商城排名规则及流量提升培训教程
yinsong1986
如何做好本地生活服务推荐
如何做好本地生活服务推荐
Guoyang Shen
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
leanstartupchina
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
leanstartupchina
用户体验最新报告.pptx
用户体验最新报告.pptx
etaoux
主搜垂直化调研报告-手机.pptx
主搜垂直化调研报告-手机.pptx
etaoux
罗旭祥 基于数据挖掘的产品设计
罗旭祥 基于数据挖掘的产品设计
PMCamp
产品经理的视角 Chrissyuan v1.0
产品经理的视角 Chrissyuan v1.0
youthadster
Product manager-chrissyuan v1.0
Product manager-chrissyuan v1.0
xlight
产品经理的视角
产品经理的视角
envong
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
kidleecn
《产品经理的视角》
《产品经理的视角》
Zhou Pengzhen
腾讯产品运营之产品经理的视角
腾讯产品运营之产品经理的视角
mysqlops
产品经理的视角 战略发展部
产品经理的视角 战略发展部
wangshuangfei
产品经理的视角
产品经理的视角
mofeng
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
bosir
20150203 阿里巴巴關鍵詞分享
20150203 阿里巴巴關鍵詞分享
Chiaen Li
空望 推荐系统@淘宝
空望 推荐系统@淘宝
topgeek
Making data-informed decisions and building intelligent products (Chinese)
Making data-informed decisions and building intelligent products (Chinese)
Jay (Jianqiang) Wang
腾讯大讲堂16 产品经理工作心得分享
腾讯大讲堂16 产品经理工作心得分享
zkxo
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
Etu Solution
Contenu connexe
Similaire à 天猫推荐实战经验分享
如何做好本地生活服务推荐
如何做好本地生活服务推荐
Guoyang Shen
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
leanstartupchina
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
leanstartupchina
用户体验最新报告.pptx
用户体验最新报告.pptx
etaoux
主搜垂直化调研报告-手机.pptx
主搜垂直化调研报告-手机.pptx
etaoux
罗旭祥 基于数据挖掘的产品设计
罗旭祥 基于数据挖掘的产品设计
PMCamp
产品经理的视角 Chrissyuan v1.0
产品经理的视角 Chrissyuan v1.0
youthadster
Product manager-chrissyuan v1.0
Product manager-chrissyuan v1.0
xlight
产品经理的视角
产品经理的视角
envong
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
kidleecn
《产品经理的视角》
《产品经理的视角》
Zhou Pengzhen
腾讯产品运营之产品经理的视角
腾讯产品运营之产品经理的视角
mysqlops
产品经理的视角 战略发展部
产品经理的视角 战略发展部
wangshuangfei
产品经理的视角
产品经理的视角
mofeng
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
bosir
20150203 阿里巴巴關鍵詞分享
20150203 阿里巴巴關鍵詞分享
Chiaen Li
空望 推荐系统@淘宝
空望 推荐系统@淘宝
topgeek
Making data-informed decisions and building intelligent products (Chinese)
Making data-informed decisions and building intelligent products (Chinese)
Jay (Jianqiang) Wang
腾讯大讲堂16 产品经理工作心得分享
腾讯大讲堂16 产品经理工作心得分享
zkxo
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
Etu Solution
Similaire à 天猫推荐实战经验分享
(20)
如何做好本地生活服务推荐
如何做好本地生活服务推荐
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
Startupmetrics4pirates chinese
用户体验最新报告.pptx
用户体验最新报告.pptx
主搜垂直化调研报告-手机.pptx
主搜垂直化调研报告-手机.pptx
罗旭祥 基于数据挖掘的产品设计
罗旭祥 基于数据挖掘的产品设计
产品经理的视角 Chrissyuan v1.0
产品经理的视角 Chrissyuan v1.0
Product manager-chrissyuan v1.0
Product manager-chrissyuan v1.0
产品经理的视角
产品经理的视角
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
《产品经理的视角》
《产品经理的视角》
腾讯产品运营之产品经理的视角
腾讯产品运营之产品经理的视角
产品经理的视角 战略发展部
产品经理的视角 战略发展部
产品经理的视角
产品经理的视角
产品经理的视角 Chrissyuan V1 0
产品经理的视角 Chrissyuan V1 0
20150203 阿里巴巴關鍵詞分享
20150203 阿里巴巴關鍵詞分享
空望 推荐系统@淘宝
空望 推荐系统@淘宝
Making data-informed decisions and building intelligent products (Chinese)
Making data-informed decisions and building intelligent products (Chinese)
腾讯大讲堂16 产品经理工作心得分享
腾讯大讲堂16 产品经理工作心得分享
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
天猫推荐实战经验分享
1.
天猫推荐
天猫营销线
2.
天猫推荐 (ald.taobao.com) 大纲 基础知识
推荐实战 团队介绍
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.
天猫推荐 (ald.taobao.com) 推荐地图
5.
天猫推荐 (ald.taobao.com) 基本思想
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.
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.
天猫推荐 (ald.taobao.com) 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
9.
天猫推荐 (ald.taobao.com) 大纲 基础知识
推荐实战 团队介绍
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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 3.00 3C 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.
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.
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.
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.
天猫推荐 (ald.taobao.com) 大纲 基础知识
推荐实战 团队介绍
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.
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.
天猫推荐 (ald.taobao.com)
万里 :wanli@taobao.com
Télécharger maintenant