達人如何選品

人機結合看似高大上，其實就是人腦的特長與計算機的特長結合為決策過程提供有價值的依據，實際上在電子商務領域的應用已經非常普遍，其實就是通過機器學習的方法，提取商品的特征、人的特征和商品背后賣家買家的特征，將它們融合在一起，通過多種數據源建模型來預測商品的銷量，并基于預測的結果幫助運營方決策，某一款商品究竟應該拿來賣還是拿來參加活動。根據不同的目標，我們可以使用人機結合來達成不同的結果，典型的就是聚劃算的爆款選品和達人導購選品。

一、達人選品的迭代思路

從2013年開始，我們就已經開始探索達人導購。怎么樣在特定場景下發現有潛質的商品：思路的起點是，你去看意見和民意代表在看什么，他們才是風向標。而實現手段上的創新則是建模。

例如，蘑菇街美麗說做的就是達人的事兒，但他們靠的是具有專業眼光的人，我們靠的是數據。他們有專業的買手上街掃貨，幫他們人肉去挑，我們則通過流量的來進行機器模擬的達人選品。

達人導購的建模過程中，確定什么樣的人是達人，選取什么樣的指標來判定特色商品，是比較困難的一步。首先，因為數據源是多種的，以往大家就是抓過去一周的銷量、量、好評率以及電商常用的行為數據，但倘若換種思維來看，如果某款商品經常來購買的人是有某一類基礎特征，我們就可以將其定義為達人或者意見，比較能產生影響的達人比較近在看什么，則可以反推這款產品未來一周的銷量會是什么情況，與人相關的變量不僅包括他比較近看了什么商品，了什么商品，也包括他們比較近在微博上討論什么和關注什么。

比如，如果一款商品品牌找到都教授作代言人，而很多達人都在微博上粉都教授，這就是個很好的信號也就是微博營銷，說明達人可能對大明星比較感興趣，而大明星代言的商品就會被特殊關注。

另一方面，在阿里可以收集到的數據中，倘若某些商品比較近的流量非常集中，都來自于某些特定的高大上的網站，這同樣能夠傳達出一個非常好的信號，說明該商品被高大上的網站盯上了，如果高大上的網站認為這款商品好，那這款商品一定不錯。達人選品是一個循環定義的過程，一開始，我們只是拍腦袋，一個買家一個月平均花多少錢，買多少筆，在什么類目上購買，是不是貴的東西，根據這一系列歷史特征我們先找出一批我們所定義的達人，然后看他們購買的商品，然后再反過來看，購買類似商品的人中還有哪些人是達人，經過幾次循環迭代，這個模型會變得越來越精準。這是商品和人之間相互的迭代。

這個迭代過程中，有這樣一些判斷指標：首先是不是大型時尚導購網站，其次是訪問的強度，如果一天90%的流量都來自于某導購網站，這就說明你該產品在這個導購網站被重點強推了，我們根據流量來源和強度能判斷我的商品在那個地方被推薦的位置和力度。通過這一系列指標來反推該網站的達人給我的商品排在什么位置。從形態來看，我們落地了很多達人導購的應用場景，天貓那邊做了list落地，淘寶有不同業務線，每個都有選品問題，而人機結合的算法在后端有助于選品精準度的提升。

例如比較近上線的淘寶新歡是一個面向中高端人士的特色選品，其背后的算法就是基于達人導購的思路建模的，我們都知道，現在去淘寶搜索商品，排序在前面的都是銷量賣得很高的商品，反過來說，那一定是大路貨，而不是特色商品，而達人導購本質上就是幫助你在嘈雜的菜市場找到水晶項鏈。正因為如此，它的指標定義一定不是根據銷量來的，但怎么定義呢，肯定每個人對特色的定義是不一樣的，我們的思路就是先找達人，找種子商品，形成特色商品池，并通過特色商品池獲得一個有鑒賞力的人的池子，來回迭代。由于各個類目下有不同達人，而達人看的東西也會覆蓋多個類目，這種來回不停迭代比較終能將模型變得更為精準。

目前來看，我們也會遇到一些問題，主要集中于怎樣將現有的模型與產品進行量身匹配，比如商品經常出現同款，同一件商品兩個不同賣家都在賣，但在我們推薦或產品展現中肯定不能推出同樣的產品，這時候怎樣篩選就變得很困難，需要接其他的產品來來進行過濾。再比如，一些明顯是假貨的商品怎么過濾，也需要引入集團其他團隊的工作來合作。

二、聚劃算爆款的銷售預言

如果說用達人來選品，主要是選擇那些比較有特色的，比較吸引眼球的商品，那么聚劃算的選品則希望挑出那些賣得比較好的爆款。歸根結底，兩者在思路上沒有本質區別，只是建模的過程存在差異。在聚劃算做爆款模型的初衷很簡單：原先的人工選品自由裁量權過大，導致腐敗問題產生，我們就希望用銷量模型進行銷量預測，打分之后按照分數來選擇。這是爆款選品模型的誕生起因，由于是對每一個報名參加聚劃算的商品進行預測，因此背后的邏輯在于，就誰的銷量更好給予排序。

隨著聚劃算業務發展壯大，每天報名的商家和商品也越來越多。目前，每天待審商品成千上萬件。但審核小二人數有限導致了賣家催促審核來電量多，阻礙了賣家服務品質提升。同時，審核小二們靠經驗去審核商品，并沒有統一標準——選進來的商品能否賣得爆，小二們心中也沒有把握。更進一步，從聚劃算業務模式上來說，除了審核報名商品外,還需針對商品進行反向招商，這就急需要一個標準：來告訴我們哪些商品有可能賣爆，以及賣爆的可能性有多大;哪些商品是不靠譜的，以及不靠譜的原因又是什么。

三、大數據挖掘和分析就提供了這樣的解決方案。

對于聚劃算來說，小二決策的時候其實并不關心這款商品到底能賣多少萬，而是關心哪個賣得比較好，因為他要選比較好的上，因此用到的模型仍然是排序的方式產出結果。我們用到了商品特征和賣家特征，以及商品比較近一段時間被瀏覽和收藏的記錄，還有就是商品的價格折扣率——因為說到底，來聚劃算消費的人都追求性價比，折扣力度不夠大根本賣不動。

由于是否上聚劃算是一件結果導向的事情，因此目前并沒有嚴格的abtest來測試模型的準確度，但我們的做法是，假定有三件商品abc來報名，如果模型告訴我銷量a高于b高于c，而三者全都高于平均水平，因此都可以上線，那么一旦產生了實際銷量abc的銷售額，則可以通過銷售額看出兩者相對順序的排序是否和原來預測的一樣，如果一致則說明這個模型是靠譜的。

爆款模型的未來會怎樣?，爆款模型通過對每一個商品進行打分，給予運營小二在商品審核過程中的參考。既能選出爆款，又能降低審核工作量。而將來，隨著業務經驗在數據解決方案中的進一步沉淀，隨著機器算法的進一步集成和參數調優，爆款模型將會在商品排序，賣家備貨，反向招商中給予運營更多的幫助。甚至促進業務模式的改變。而隨著該模型的推廣，將會有更多我們想不到的需求，可以借助它得以解決。

達人如何選品？其實將達人和爆款的選品技巧結合，就是強大的人機結合選品啦！希望對大家有用。