Alibaba tiene la intención de construir la matriz de base de clientes en la paleta de la plataforma, permitiendo a los comerciantes elegir productos específicos, jerárquicos y diferenciados, realizar de manera eficiente operaciones basadas en escenarios y operaciones comerciales, y proporcionar modelos de algoritmos y crecimiento de usuarios. La optimización proporciona poder y la base para las operaciones digitales. Lo construimos principalmente en torno a las cuatro dimensiones de personas, bienes, lugares y empresas. La matriz de base de clientes se muestra en la Figura 1.
La superposición de la matriz de grupos de clientes y la matriz de escenarios no solo puede construir los usuarios objetivo del escenario y medir las diferencias del escenario, sino también mejorar el rendimiento del escenario y guiar eficazmente el tráfico objetivo. , proporcionando así algoritmos para diversos escenarios comerciales. El modelado proporciona la base de datos subyacente.
A diferencia de los compradores de tipo C, los compradores de tipo B no tienen dimensiones coordinadas básicas claras, como la edad y el sexo. Los usuarios de tipo B son en su mayoría empresas o mayoristas. Cómo caracterizar la matriz de la base de clientes con características de Tipo B es crucial para el comercio electrónico de Tipo B, y también es una cuestión en la que los "camareros" del comercio electrónico de Tipo B han estado pensando.
Dado que el grupo de usuarios B está formado principalmente por empresas y mayoristas, ¿cómo describir con precisión la matriz del grupo de clientes? El poder adquisitivo es una manifestación destacada, que incluye la cantidad y la frecuencia de las compras. Desde el poder adquisitivo, podemos ver la escala comercial y la capacidad de consumo del usuario. Por ello, utilizamos el poder adquisitivo como dimensión coordinada básica para brindar servicios precisos y diferenciados a diferentes niveles.
El monto de la compra es principalmente el monto comprado por el usuario dentro de un período determinado. Para evitar la interferencia de estratificación causada por grandes diferencias de precios entre diferentes categorías, el monto de la compra primero se clasifica por categoría y luego se ve por tramo de monto independientemente de la categoría. El tramo de monto con la mayor proporción es el tramo de monto de compra del usuario.
Frecuencia de compra es la frecuencia de compras que realizan los usuarios en un determinado periodo de tiempo. Clasifique a los usuarios según cuándo compraron y luego calcule la frecuencia con la que compraron durante un período de tiempo determinado. Todos los usuarios se dividen en tres niveles: alto, medio y bajo según la proporción de la distribución gaussiana, como nivel de clasificación de la frecuencia de compra.
Incluyendo nueva instalación, nuevo usuario, baja actividad, actividad media, actividad media, actividad alta, suspensión profunda, abandono y otras etapas. Este ciclo de vida se basa principalmente en la actividad del usuario en la plataforma de comercio electrónico. Para dividir, también se incorporan algunos conocimientos empresariales. Por ejemplo, los usuarios nuevos se refieren a los usuarios recién instalados, los usuarios nuevos se refieren a los usuarios que realizan menos de 2 pedidos y los usuarios de bajos ingresos se refieren a los usuarios que visitan menos de 2 días al mes.
Analice el ciclo de vida del usuario a partir del ciclo de transacción, como se muestra en la Figura 2, incluidos nuevos usuarios, usuarios que iniciaron sesión, usuarios nuevos, compradores activos (compradores con alto poder adquisitivo y potencial), durmientes. compradores, compradores durmientes La relación de conversión entre el comprador y otras etapas del ciclo de vida también se presenta visualmente en la figura. Las operaciones precisas del usuario ajustan los objetivos de acuerdo con las diferentes etapas del ciclo de vida del comprador, y las estrategias adoptadas se ajustarán en consecuencia.
Al comprender el ciclo de vida de los usuarios, podemos llevar a cabo innovación, promoción y retención de usuarios específicas y mejorar la permanencia de los usuarios: para nuevas instalaciones y nuevos usuarios, lo principal es mejorar su experiencia de usuario. los hábitos de consumo de los usuarios y la retención y conversión; para los usuarios de nivel medio y bajo, se trata principalmente de promoción y retención; para los usuarios de nivel medio y alto, se trata principalmente de mantener los hábitos de los usuarios y fortalecer la permanencia; , se trata principalmente de promover la vida a través de los derechos del sobre rojo. El mantenimiento del ciclo de vida del usuario juega un papel crucial en el crecimiento continuo de los usuarios del comercio electrónico.
Como representante típico de las plataformas de comercio electrónico B2B, CBU se ha comprometido a atender a cientos de millones de compradores de tipo B en todo el mundo. Como uno de los atributos principales de los retratos de usuarios de Clase B, la verificación de identidad del usuario y las categorías principales (como propietarios de tiendas importadas de maternidad y bebés, propietarios de tiendas boutique de ropa para mujeres, comerciantes de WeChat a tiempo parcial, propietarios de pequeños supermercados, etc.).
) no solo representa la identidad de la entidad fuera de línea del usuario, sino que también afecta directamente las preferencias de comportamiento del usuario en la plataforma de comercio electrónico, el ciclo de compra y la demanda de capacidades de servicio comercial. Por lo tanto, siempre ha sido uno de los atributos principales del retrato del usuario de Clase B. plataformas de comercio electrónico.
La mayoría de los retratos de usuarios de nivel C se pueden modelar directamente en función del comportamiento histórico del usuario en el sitio web, mientras que los retratos de usuarios de nivel B son diferentes. Generalmente, las plataformas de comercio electrónico de Clase B necesitan verificar las identidades de los usuarios y requieren precisión en las categorías principales, por lo que utilizan principalmente formularios autocompletados para determinar las identidades de verificación de los usuarios. Este método de llenado por parte del usuario tiene una alta precisión, pero la ubicación está oculta, los enlaces son largos y no hay orientación sobre los puntos de interés. No sólo la tasa de llenado de usuarios es baja, sino que tampoco está suficientemente integrada con la escena.
Para resolver el problema de los altos costos operativos para los usuarios principales basados en formularios originales, la plataforma de comercio electrónico Alibaba CBU toma prestados modelos de algoritmos para predecir los núcleos de usuarios a través de componentes centrales de usuarios y propone las mejores opciones K para Los usuarios eligen según las clasificaciones de confianza. La solución general del algoritmo es la siguiente.
El comportamiento del usuario en el sitio es la primera base para recibir comentarios sobre las necesidades y preferencias del usuario, y también es la fuente de datos en la que debe centrarse el algoritmo. En comparación con otros atributos de retrato preferidos, el kernel del usuario es un atributo de usuario relativamente estable y a largo plazo. Por lo tanto, en la aplicación del algoritmo, seleccionamos el comportamiento global del usuario en los últimos seis meses como datos subyacentes. Hay dos consideraciones principales al elegir una ventana larga de medio año: primero, hay una gran cantidad de productos de alta calidad en el sitio web, los algoritmos de búsqueda y recomendación son cada vez más refinados y el costo para los usuarios de explorar varios productos es bajo. Es difícil para los usuarios de tipo B mantener su interés en el sitio web. Preste atención, las necesidades y comportamientos de los usuarios de tipo B/C son mixtos y los datos están relativamente sucios. Una ventana de tiempo larga es propicia para filtrar la interferencia y captar las necesidades estables y a largo plazo de los usuarios; en segundo lugar, los datos sobre el comportamiento de los usuarios, especialmente el comportamiento de compra, son relativamente escasos; El comportamiento de compra de los usuarios de tipo B es una de las características centrales que reflejan la identidad del usuario. El comportamiento de compra del usuario tiene una cierta periodicidad, por lo que una ventana de tiempo larga ayuda al algoritmo a comprender al usuario de manera más completa.
A diferencia de muchos atributos de retrato de usuario preferidos, la identidad del usuario puede tener una relación de mapeo real con la identidad del usuario en la realidad, como propietario de una tienda de té con leche, propietario de una tienda de té con leche, propietario de una panadería, propietario de una tienda de Baodao Jindian. , Propietario de una tienda boutique de ropa para mujeres, propietario de una tienda de ropa para mujeres Taobao, etc. Por lo tanto, las relaciones de mapeo de identidades ascendentes y descendentes fuera del sitio del usuario pueden ayudarnos a mejorar aún más la predicción de las identidades de los usuarios y mejorar la cobertura y la precisión.
En vista del comportamiento mixto y ruidoso de los usuarios B/C en el sitio web, las preferencias principales del usuario B pueden verse fácilmente interferidas por las categorías y productos populares en el sitio web, por lo que también hemos introducido Una gran cantidad de conocimiento de la industria como guía ayuda a predecir la identidad central del usuario B y precipita datos de categoría de preferencia central basados en esto.
Utilizando los datos anteriores sobre el comportamiento de los usuarios en el sitio, las identidades ascendentes y descendentes fuera del sitio y el conocimiento de la industria, el algoritmo puede predecir las identidades de los usuarios mediante los siguientes pasos. El proceso de predicción se muestra en la Figura 3. .
Figura 3 Diagrama de flujo de predicción del kernel de usuario
Los usuarios semilla se definen principalmente como usuarios que han sido autenticados en el sitio y cuya información de autenticación tiene una relación de mapeo ascendente y descendente fuera del sitio.
Con base en los datos recientes de comportamiento en el sitio de los usuarios de semillas, extraiga e identifique las características más destacadas, proporciónelas a sus colegas operativos, realice otra ronda de asignación a los usuarios de semillas, excluya a los usuarios cuyos comportamientos principales diarios sean obviamente inconsistentes. con las preferencias de la industria y optimizar la elección del usuario de Seed.
Utilizando la categoría de preferencia de la industria como umbral, los productos comprados por usuarios de semillas por debajo del umbral en los últimos 6 meses se excluyen como productos de semillas.
Según la tabla I2I de productos existentes almacenados por el equipo, el producto de semilla se utiliza como clave de activación para expandir el producto de semilla, y la puntuación de preferencia del producto de semilla expandido es igual a la similitud I2I. puntuación del producto y el producto semilla desencadenante. El producto de las puntuaciones de preferencia.
Para la predicción central de un usuario, seleccionamos sus datos de comportamiento en los últimos seis meses para modelarlos y calificarlos. Luego, en función de los productos de comportamiento del usuario calificados, se calcula la confianza de preferencia del usuario para cada identidad posible, que se utiliza para distinguir el comportamiento de compra personal del usuario del comportamiento de compra de Clase B, reducir el impacto del comportamiento de compra personal del usuario en los resultados de la predicción. y aumentar el peso del comportamiento de compra tipo B del usuario.
Este artículo es un extracto de "Algoritmo de comercio electrónico B2B de Alibaba en la práctica" y se publica con el permiso del editor.
Este libro es un resumen de los 15 años de experiencia del Departamento de Tecnología CBU de Alibaba (1688.com) en el comercio electrónico B2B. Alibaba B2B ha experimentado la actualización e iteración de la plataforma de información, la plataforma comercial y la plataforma de marketing en términos de forma estratégica. Este libro se centra en los algoritmos y las capacidades técnicas detrás de la forma comercial de las plataformas de marketing. Intenta explicar cómo la tecnología potencia los negocios desde la perspectiva del impulso mutuo entre la tecnología y los negocios. También combina la acumulación del Grupo Alibaba en entornos de campo básicos y la innovación de algoritmos. Crear un sistema operativo empresarial B2B inteligente.
Lectura recomendada
Retratos de usuarios: metodología y soluciones de ingeniería
Este es un libro que explica cómo construir de 0 a 1 desde las perspectivas de la tecnología, los productos , operaciones, etc. Un libro sobre el sistema de retratos de usuarios. Al mismo tiempo, también proporciona soluciones sobre cómo utilizar el sistema de retratos de usuarios para impulsar el crecimiento de los ingresos corporativos.
Siga "Real-time Stream Computing" y responda "0814" en segundo plano para participar en la lotería.
El sorteo se realizará a las 12:00 horas del día 15 de agosto. * * *Se publican dos libros y todos son bienvenidos a participar~