实操分享：实时意图算法应用案例

编辑导读：在网上购物时，消费者的一举一动都备受产品经理的注意。如何让用户找到心仪的产品，如何让用户停留的时间更长，如何促使用户进行购买等等，这些问题都促使产品不断升级迭代。本文作者将用实际案例分析实时意图算法的应用，希望对你有帮助。

店铺全部商品页是商家将商品按照品牌或品类的维度展示的全部商品的集合。消费者在易购平台浏览商品、内容等，然后通过各种渠道进入店铺全部商品页。

消费者的进店行为会有常见的两种场景：一是进店看店铺品牌或者品类下有没有同品牌或者同品类的相似商品，可能性价比更高，销量更高，或者更好的可替代商品。二是通过促销活动的吸引，且相信品牌，在品牌下看是否有合适的、可供选择的商品，可以参与促销活动一起购买。当然也还会存在其他进店铺全部商品页浏览逛逛的场景，暂不一一赘述。

店内流量进入全部商品页之后，看到意向商品，会直接点击商品坑位或者购物车标志进入商品详情页，然后进行加购或者直接下单的操作。

原来全部商品页展示商品通常按照综合、销量、新品、价格几个维度排序展示，如上左图所示。其中商品的综合排序是根据平台的综合规则计算出的排序，销量是根据商品在一定时间内的销售数量进行排序，新品是根据商品上架时间的前后排序，而价格则是根据商品的售价由低到高或者由高到低排序。以上四个排序是消费者常用的几个维度。

按上述的四种排序都是基于平台、商品等维度给出的，也是电商平台通用的全部商品页产品展示设计。这种展示方式好不好？是不是符合消费者的习惯？能不能带来更多的流量转化？

针对上面一些疑问我们有了新的想法，能不能根据消费者的意向优先展示消费者的心仪商品呢？消费者的意向如何确定？如果确定意向了，根据意向推送出来了商品真的能带来更高的转化么?这些转化如何用数据来衡量呢？

下一步就是看看如何解决。于是经历了充分思考、讨论和谈判等等系列操作，制定了以下几个步骤来设计：找方法、找场景、定数据指标，并在上线之后根据数据指标来验证是否可靠，是否需要修正数据指标。

找方法：

由于平台之前分析过消费者在易购平台各渠道页面的搜索、浏览、加购、收藏、购买等行为。通过对以上这些行为进行加权分析，可以计算出消费者近期的商品偏好，暂且将这种计算方法称为消费者实时意图算法。通过算法可以在消费者进入店铺后实时计算并筛选出店内所有商品里与消费者偏好相匹配的商品。如果有，则在店铺推荐页中优先展示消费者意向商品。

找场景：

有了实时意图算法，也可以适用到店铺内场景。那么应该用在哪里呢？又经过充分讨论、沟通和选择。作为店内第二大流量页面全部商品页就被选择了。就是上面左图的全部商品页，用含有实时意图算法的推荐排序替换综合排序。并且在PC端、IOS、安卓、WAP和微信小程序中，在全部商品页中都使用这种推荐算法排序展示。

简言之，消费者在平台搜索、点击、收藏、加购了商品之后，算法会将这些行为因子集合，并计算出意图偏好。在消费者进入店铺全部商品页，根据算法匹配出符合消费者意图的商品，在首屏最前面的坑位中展示。如下图所示，消费者在主站搜索过华为儿童手表，并且点击浏览、收藏、加购过华为儿童手表，则在进入华为苏宁自营旗舰店全部商品页，会优先展示最符合消费者意图的儿童手表。

定数据指标：

将实时意图算法应用到店铺全部商品页之后，该用什么样的数据指标确定算法起了作用，给这个页面带来了更好的转化呢？通常店铺全部商品页在整个消费购物链路是非必经链路，很多时候不能直接带来转化。以往衡量这个页面的好坏是通过商品详情页达到率的指标来看。即店铺全部商品页引导进入商品详情页的流量，这是一个比率指标，是一段时间内从全部商品页进入商品详情页的UV占比，比率=（进入商品详情页的UV/店铺全部商品页的UV）*100%。例如进入店铺全部商品页的流量为100个人，其中直接进入商品详情页的有20个人，这个指标就是20%。如果有了推荐算法，这个指标上升了，那么就认为算法是成功且可靠的。

数据验证是否可靠：

算法和功能上线后，通过观察商品详情页的达到率的趋势图观测。如下图所示，易购主要主要流量集中在APP，下图第一条红线是含实时意图推荐算法的APP提审的时间。到APP被大部分设备更新约有一周左右。提审以后的一段时间，店铺全部商品页进入商品详情页的UV到达率持续上升，且较为明显。在某种程度上来说，算法起效果了。

数据图1—全部商品页进商详页到达率

修正数据指标：

数据起效果了，大家都很开心，但好景不长，这种情况持续了不到一个月，数据指标持续下降，并且比原有的数据还低，可以看一下上图的第二条红色竖线。意识到问题，去找算法工程师，找流量源头，看是否有算法变动，看是否流量出问题，是不是统计数据差异，还是服务器问题等等，集中每个可能的力量找原因。持续了很长一段时间，都没有头绪。到底是什么原因导致数据下降呢？除了这个数据指标，还能有什么数据可以反映变化呢？

于是查看了全部商品页的引导转化率指标，即一段时间内通过当前页面进行下单购买的转化率，这个指标比率=（通过全部商品页完成下单的客户数/该页面的访客数）*100%。如下图2所示。

数据图2—全部商品页引导转化率

左侧红线的左边是未有算法的转化率曲线，较为平坦。左侧红线往右是页面中增加了实时意图算法的转化率曲线。全部商品页的引导转化率升高频率变多，是呈现向上的趋势。即便右侧红线的右边商品详情页的到达率下降了。转化率曲线升高的频率依然没有降低，也就是说算法上线后一直是有效的。

看到这个数据趋势，一颗心落下一大半。看来在后面的数据分析中全部商品页的效果指标不能看全部商品页到达商品四级页的到达率了，这个指标对转化评判不再有效。对此页面的转化效果需要直接分析页面引导转化率的指标了。

回归分析：

根据上面的数据可以初步确认算法有效，并且确定了新的转化效果评判指标。还有个问题没有解决，就是为什么之前的指标失效了。再回归到整体业务线路上来看，到底是什么阻塞了大部分流量进商品详情页，这部分流量被分流到哪里去了？在分析了大量产品需求改动及数据之后，终于发现了问题所在。

全部商品页原来只是作为流量承接的中间页角色，无法直接加购或者购买，流量通过这个页面直接进入商品详情页，也就是我们一开始所描述的那个路径。后来，我们的小伙伴为了提升消费者的购物体验，实现快速加购，在当前页面的商品坑位的购物车按钮中增加了商品簇组件，可以实现当前页面直接加购，进入购物车或者订单页。这样流量进入这个页面后，就可以在这个页面选择商品规格型号后添加到购物车，或者直接进入订单页。如下图所示。

通过这次优化变动，全部商品页除去跳失的流量，其他流量基本有三种流向：进入商品详情页、将商品加入购物车后进入购物车页面，从当前页面直接进入订单页。多了流量渠道，流量的转化指标也不再主要参考商品详情页的到达率了，更加合理的参考指标就是当前页面带来的流量引导转化率。

综上所述，在实际业务中，对于大数据、智能算法的应用，在业务场景的选择上，数据考核指标的选择上需要综合考虑业务目标、流量的引导、转化率及最终实现价值等各种因素考虑。

备注：实时意图算法在店铺私域除了应用在全部商品页，店铺搜索结果页和店铺分类结果页也用到了这套算法，只是这两个页面定位不同于全部商品页，且流量没有全部商品页高，没有重点阐述。

当前案例中分享的数据比例做了转化，但是在数据曲线上则不受影响。

 

本文由 @简 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议