隨著聚劃算業務的發展壯大，每天報名的商家和商品也越來越多。目前，每天的待審商品有2萬多件。而審核小二為12人，平均審核一件商品需要3-4分鐘的時間。賣家催促審核的來電量始終很多，阻礙了賣家服務品質的提升。審核小二壓力巨大。此外，審核小二們靠經驗去審核商品，并沒有什么統一的標準。選進來的商品能否賣得爆，小二們心中也沒有把握。更長遠來看，聚劃算的業務模式要轉型，要從報名商品審核轉向全網反向招商。這急需要一個標準，來告訴我們哪些商品有可能賣爆，賣爆的可能性有多大；哪些商品是不靠譜的，不靠譜的原因又是什么。而大數據挖掘和分析則提供了這樣的解決方案。
人機結合，數據化運營的必然選擇
目前世界上沒有任何一臺計算機的性能能夠比擬人腦。運營小二在實踐中提煉出來的經驗和規則是最寶貴的知識。大數據解決方案如果忽視了人的經驗，則一定會像無頭蒼蠅，盲目而不接地氣。而機器，算法，程序則能夠夜以繼日的挖掘出數據中的細節，這些細節是人難以識別和發現的，有些也難于解釋。但是卻能夠產生出人意料的價值和效果。人機結合，是讓數據價值最大化的必然選擇。
在爆款模型解決方案的整體構建中，運營，產品和數據科學團隊進行了多次溝通，將業務痛點不斷提煉總結，最終將整體解決方案的目標定位在兩個點上。第一，最大可能的減少運營小二的審核工作量；第二，模型算法推薦出來的高分商品，將在實際售賣中比人選商品實現更高的成交。
針對第一點，運營提煉總結出了6條商品審核不通過的硬指標，即：
1、賣家商品質量DSR< 4.6
2、報名備貨總額 < 10萬元
3、因選款無優勢被拒絕次數 > 3
4、報名價格 > 全網歷史最低價
5、在淘寶的評價數量 < 3
6、在淘寶的月銷量 < 3
觸發這6條指標中的任意一條，商品將不會通過審核，在模型中，我們將這樣的商品打為0分。在爆款模型整體解決方案構建的第一期，我們將這六條規則固化，發現每天待審的商品中有40%都因觸犯了這六條高壓線而打分為0。然而，BI針對此規則監控了2周時間，發現0分商品依然有很多通過了審核。0分商品的準確率在70%-80%左右，其中女裝類目的準確率只有50%左右。也就是說，根據運營經驗總結固化出來的規則也是有問題的。針對這一點，BI團隊再次與運營和產品進行確認。而運營也修正了他們的經驗。那些通過審核的0分商品中，大部分是新品，在全網的銷量和評價數很少，但是卻需要聚劃算給與支持。針對這一點，BI又一次調整了0分規則，調整過后，0分商品數量占整個審核商品的20%左右，而準確率則高于了90%。經過多次調整和確認，固化了運營經驗的0分規則滿足了預期。
針對第二個目標，即模型推出爆款，數據科學團隊離線試驗了多種機器學習的算法，進行大數據挖掘。在數據挖掘建模的過程中，從特征的選擇，數據的清理，算法庫的構建，集成，到最終的離線數據試驗，算法效果比較，數據科學團隊進行了大量的嘗試。從近百個描述商品，賣家，品牌，平臺表現的指標中，進行變量選擇；解決了定性變量在建模中所帶來的困難；通過并行計算，提升了算法試驗的效率；最終構建了包含變量選擇，數據清理，以及邏輯回歸，CART，加權k近鄰，elastic net，隨機森林，gbm，支持向量機，神經網絡以及flexible local tree（FLT，法決發明）等多種算法的算法庫。形成了機器學習算法方面的整體解決方案。在此基礎之上，又對數據進行了反復的研究和算法試驗，最終從中選出了最適合聚劃算爆款模型應用場景的FLT算法。
之后，BI團隊部署了該算法，并針對女裝類目進行了在線的對比試驗。我們對比了6月1號到6月10號報名商品中通過審核后實際上聚的成交金額，與模型打分。數據表明，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，實際成交金額越高。這說明了算法是有效的，確實從大數據中找出了爆款的模式和規律，而這些規律則是人難以發現的。
爆款模型的未來會怎樣？
今天，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。既能降低審核工作量，又能選出爆款。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很多的幫助。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。
樂發網超市批發網提供超市貨源信息,超市采購進貨渠道。超市進貨網提供成都食品批發,日用百貨批發信息、微信淘寶網店超市采購信息和超市加盟信息.打造國內超市采購商與批發市場供應廠商搭建網上批發市場平臺,是全國批發市場行業中電子商務權威性網站。
本文來源： 聚劃算爆款模型的未來會怎樣？
