隨著聚劃算業(yè)務(wù)的發(fā)展壯大，每天報(bào)名的商家和商品也越來(lái)越多。目前，每天的待審商品有2萬(wàn)多件。而審核小二為12人，平均審核一件商品需要3-4分鐘的時(shí)間。賣(mài)家催促審核的來(lái)電量始終很多，阻礙了賣(mài)家服務(wù)品質(zhì)的提升。審核小二壓力巨大。此外，審核小二們靠經(jīng)驗(yàn)去審核商品，并沒(méi)有什么統(tǒng)一的標(biāo)準(zhǔn)。選進(jìn)來(lái)的商品能否賣(mài)得爆，小二們心中也沒(méi)有把握。更長(zhǎng)遠(yuǎn)來(lái)看，聚劃算的業(yè)務(wù)模式要轉(zhuǎn)型，要從報(bào)名商品審核轉(zhuǎn)向全網(wǎng)反向招商。這急需要一個(gè)標(biāo)準(zhǔn)，來(lái)告訴我們哪些商品有可能賣(mài)爆，賣(mài)爆的可能性有多大；哪些商品是不靠譜的，不靠譜的原因又是什么。而大數(shù)據(jù)挖掘和分析則提供了這樣的解決方案。

　　人機(jī)結(jié)合，數(shù)據(jù)化運(yùn)營(yíng)的必然選擇
　　
　　目前世界上沒(méi)有任何一臺(tái)計(jì)算機(jī)的性能能夠比擬人腦。運(yùn)營(yíng)小二在實(shí)踐中提煉出來(lái)的經(jīng)驗(yàn)和規(guī)則是最寶貴的知識(shí)。大數(shù)據(jù)解決方案如果忽視了人的經(jīng)驗(yàn)，則一定會(huì)像無(wú)頭蒼蠅，盲目而不接地氣。而機(jī)器，算法，程序則能夠夜以繼日的挖掘出數(shù)據(jù)中的細(xì)節(jié)，這些細(xì)節(jié)是人難以識(shí)別和發(fā)現(xiàn)的，有些也難于解釋。但是卻能夠產(chǎn)生出人意料的價(jià)值和效果。人機(jī)結(jié)合，是讓數(shù)據(jù)價(jià)值最大化的必然選擇。
　　
　　在爆款模型解決方案的整體構(gòu)建中，運(yùn)營(yíng)，產(chǎn)品和數(shù)據(jù)科學(xué)團(tuán)隊(duì)進(jìn)行了多次溝通，將業(yè)務(wù)痛點(diǎn)不斷提煉總結(jié)，最終將整體解決方案的目標(biāo)定位在兩個(gè)點(diǎn)上。第一，最大可能的減少運(yùn)營(yíng)小二的審核工作量；第二，模型算法推薦出來(lái)的高分商品，將在實(shí)際售賣(mài)中比人選商品實(shí)現(xiàn)更高的成交。
　　
　　針對(duì)第一點(diǎn)，運(yùn)營(yíng)提煉總結(jié)出了6條商品審核不通過(guò)的硬指標(biāo)，即：
　　
　　1、賣(mài)家商品質(zhì)量DSR< 4.6
　　
　　2、報(bào)名備貨總額 < 10萬(wàn)元
　　
　　3、因選款無(wú)優(yōu)勢(shì)被拒絕次數(shù) > 3
　　
　　4、報(bào)名價(jià)格 > 全網(wǎng)歷史最低價(jià)
　　
　　5、在淘寶的評(píng)價(jià)數(shù)量 < 3
　　
　　6、在淘寶的月銷(xiāo)量 < 3
　　
　　觸發(fā)這6條指標(biāo)中的任意一條，商品將不會(huì)通過(guò)審核，在模型中，我們將這樣的商品打?yàn)?分。在爆款模型整體解決方案構(gòu)建的第一期，我們將這六條規(guī)則固化，發(fā)現(xiàn)每天待審的商品中有40%都因觸犯了這六條高壓線(xiàn)而打分為0。然而，BI針對(duì)此規(guī)則監(jiān)控了2周時(shí)間，發(fā)現(xiàn)0分商品依然有很多通過(guò)了審核。0分商品的準(zhǔn)確率在70%-80%左右，其中女裝類(lèi)目的準(zhǔn)確率只有50%左右。也就是說(shuō)，根據(jù)運(yùn)營(yíng)經(jīng)驗(yàn)總結(jié)固化出來(lái)的規(guī)則也是有問(wèn)題的。針對(duì)這一點(diǎn)，BI團(tuán)隊(duì)再次與運(yùn)營(yíng)和產(chǎn)品進(jìn)行確認(rèn)。而運(yùn)營(yíng)也修正了他們的經(jīng)驗(yàn)。那些通過(guò)審核的0分商品中，大部分是新品，在全網(wǎng)的銷(xiāo)量和評(píng)價(jià)數(shù)很少，但是卻需要聚劃算給與支持。針對(duì)這一點(diǎn)，BI又一次調(diào)整了0分規(guī)則，調(diào)整過(guò)后，0分商品數(shù)量占整個(gè)審核商品的20%左右，而準(zhǔn)確率則高于了90%。經(jīng)過(guò)多次調(diào)整和確認(rèn)，固化了運(yùn)營(yíng)經(jīng)驗(yàn)的0分規(guī)則滿(mǎn)足了預(yù)期。
　　
　　針對(duì)第二個(gè)目標(biāo)，即模型推出爆款，數(shù)據(jù)科學(xué)團(tuán)隊(duì)離線(xiàn)試驗(yàn)了多種機(jī)器學(xué)習(xí)的算法，進(jìn)行大數(shù)據(jù)挖掘。在數(shù)據(jù)挖掘建模的過(guò)程中，從特征的選擇，數(shù)據(jù)的清理，算法庫(kù)的構(gòu)建，集成，到最終的離線(xiàn)數(shù)據(jù)試驗(yàn)，算法效果比較，數(shù)據(jù)科學(xué)團(tuán)隊(duì)進(jìn)行了大量的嘗試。從近百個(gè)描述商品，賣(mài)家，品牌，平臺(tái)表現(xiàn)的指標(biāo)中，進(jìn)行變量選擇；解決了定性變量在建模中所帶來(lái)的困難；通過(guò)并行計(jì)算，提升了算法試驗(yàn)的效率；最終構(gòu)建了包含變量選擇，數(shù)據(jù)清理，以及邏輯回歸，CART，加權(quán)k近鄰，elastic net，隨機(jī)森林，gbm，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)以及flexible local tree（FLT，法決發(fā)明）等多種算法的算法庫(kù)。形成了機(jī)器學(xué)習(xí)算法方面的整體解決方案。在此基礎(chǔ)之上，又對(duì)數(shù)據(jù)進(jìn)行了反復(fù)的研究和算法試驗(yàn)，最終從中選出了最適合聚劃算爆款模型應(yīng)用場(chǎng)景的FLT算法。
　　
　　之后，BI團(tuán)隊(duì)部署了該算法，并針對(duì)女裝類(lèi)目進(jìn)行了在線(xiàn)的對(duì)比試驗(yàn)。我們對(duì)比了6月1號(hào)到6月10號(hào)報(bào)名商品中通過(guò)審核后實(shí)際上聚的成交金額，與模型打分。數(shù)據(jù)表明，模型打分在50分以上的商品比50分以下的，成交金額高出了50%。而且商品的成交金額與模型打分有著高度一致的保序性。即模型打分越高的商品，實(shí)際成交金額越高。這說(shuō)明了算法是有效的，確實(shí)從大數(shù)據(jù)中找出了爆款的模式和規(guī)律，而這些規(guī)律則是人難以發(fā)現(xiàn)的。

　　爆款模型的未來(lái)會(huì)怎樣？
　　
　　今天，爆款模型通過(guò)對(duì)每一個(gè)商品進(jìn)行打分，給予運(yùn)營(yíng)小二在商品審核過(guò)程中的參考。既能降低審核工作量，又能選出爆款。而將來(lái)，隨著業(yè)務(wù)經(jīng)驗(yàn)在數(shù)據(jù)解決方案中的進(jìn)一步沉淀，隨著機(jī)器算法的進(jìn)一步集成和參數(shù)調(diào)優(yōu)，爆款模型將會(huì)在商品排序，賣(mài)家備貨，反向招商中給予運(yùn)營(yíng)很多的幫助。甚至促進(jìn)業(yè)務(wù)模式的改變。而隨著該模型的推廣，將會(huì)有更多我們想不到的需求，可以借助它得以解決。

樂(lè)發(fā)網(wǎng)超市批發(fā)網(wǎng)提供超市貨源信息,超市采購(gòu)進(jìn)貨渠道。超市進(jìn)貨網(wǎng)提供成都食品批發(fā),日用百貨批發(fā)信息、微信淘寶網(wǎng)店超市采購(gòu)信息和超市加盟信息.打造國(guó)內(nèi)超市采購(gòu)商與批發(fā)市場(chǎng)供應(yīng)廠商搭建網(wǎng)上批發(fā)市場(chǎng)平臺(tái),是全國(guó)批發(fā)市場(chǎng)行業(yè)中電子商務(wù)權(quán)威性網(wǎng)站。

本文內(nèi)容整合網(wǎng)站：百度百科、知乎、淘寶平臺(tái)規(guī)則

本文來(lái)源： 聚劃算爆款模型的未來(lái)會(huì)怎樣？