京东千人千面解析及运营启示

来源：互联网
2024-05-15 02:20:56

No.1

什么是千人千面

千人千面，其实就是BI技术，即Behavior identity（行为识别），即依靠京东庞大的数据库构建出买家的兴趣模型，并从细分类目中抓取哪些与买家兴趣点相匹配的商品，定向展现在用户浏览的网页上，从而实现用户的个性化推荐及精准营销。

这个数据库包含用户的搜索记录、浏览记录、点击记录、加购记录，关注（商品&店铺）、收藏等，还包括用户画像：性别、年龄、地域、平均购买客单，购买偏好等。因此，京东平台庞大的商家数量、丰富和海量的商品及其属性、标签以及庞大的用户数据，构成了实现千人千面的基础。

No.2

京东千人千面史

京东的千人千面从12年开始酝酿，一共经历了四个阶段，每个阶段都会产生一些具有代表的业务或频道：2012-2013年的萌芽期，代表业务如看了还看、买了还买、看相似、找搭配等；2014-2015年的起步期，代表业务如秒杀接入个性化；2014-2015年的绽芒期，产生东家小院频道等；2018-2019年的全面渗透实现首页100%的BI化。

京东千人千面史

No.3

京东页面分级及千人千面覆盖率

若对京东页面进行分级，那么可将京东页面分为三级。一级页面，即京东首页，二级页面则是商品列表页，三级页面则是商品页。搜索、类目列表及活动也可以按照如此逻辑进行三级划分。目前一级页面已实现100%千人前面覆盖，二级页面实现40%千人千面覆盖，三级页面则还未实现千人千面覆盖。类目上，已实现32个一级类目。

一级页面：京东首页 搜索：二级页面-三级页面

活动：二级页面（品类活动页）-三级页面（品牌活动页）

类目列表：一级页面-二级页面-三级页面

京东千人千面覆情况

千人千面覆盖类目情况

No.4

千人千流量分配

千人千面大大改变了流量分配的形势，在未实现千人千面前，商家流量分布大致是头部占95%，腰部占4%，尾部占1%。在实现千人千面后，流量分层大致是头部占60%，腰部占30%，尾部10%。也就是说，千人千面后京东流量分配更为合理，对中小卖家、新商家更为公平，机会也更多。并且千人千面后，中小卖家在搜索上流量更具有优势。

千人千面BI流量分级分配

千人千面后各层级商家各渠道BI流量表现

No.5

千人千面流量逻辑

千人千面个性化推荐主要分为三个形式，一是M选M，如秒杀频道200个商品位展示200个促销商品顺序个性化排序；其次是M选N，例如发现好货、会买专辑频道从百万素材池中个性化选择200个素材进行个性化展示；最后是全站选N，如为你推荐频道从全站商品中个性化推荐400个商品给用户。不管是M选M也好，M选N也好，或者是全站选N也好，重要的一环则是从哪里选，这就涉及素材池的问题。从商品角度，千人千面依据品类特性拉取京东全量商品池个性化匹配至类目频道进行展示；从店铺角度，拉取京东全量店铺，以频道特性实时千人千面筛选展示；从内容角度，千人千面对接内容中台内容池，以feeds流形式个性化匹配用户；从营销的角度，频道借助选品助手进行场景商品拉取，依据商品工业属性信息，实时BI展示。

这一个性化的呈现，还涉及到过滤的过程。首先是敏感过滤，即如果商品含有敏感词、敏感内容，则会被过滤掉；其次是无货过滤，如果一个商品链接处于无货状态，则不会被个性化展示；再次是商品图过滤，如果商品主图不是透明图，或者该商品不符合平台及该类目商品主图规范，则不会被个性化展现；还有性别、地域过滤等。

千人千面个性化的最终呈现，是用户画像及商品画像相互匹配的结果。千人千面通过算法模型，对用户画像及商品画像进行分析，最终实现商品、活动楼层的展现及排序。

用户画像的千人千面，可以理解为对某一类人进行个性化展示。比如一个宝妈浏览或者购买过奶瓶、婴儿车以及纸尿片，另一个宝妈浏览或者购买过奶瓶、婴儿车，那尿片则会个性化展示给这个宝妈。

商品画像的千人千面，则可以理解为某一类商品对某个人的个性化展示。比如一个人浏览或者购买了画眉笔、眼影，那么同属于美妆品类的商品则会给这一用户进行个性化展现。

对于新用户，则是根据其浏览、购买记录进行同品类进行个性化展示推荐。

No.6

千人千面运营启示

1. 优化和完善商品的标签

优化和完善商品标签，最重要的是商品类目挂靠、属性标注等方面，商品类目及属性标注是否准确，将直接影响商品画像的底层数据，以及前台的推荐流量的精准度，从而直接影响转化及销售。

商品属性选择注意要点

2. 做好商品基础优化

商品透明图的上传是保证被个性化展示的重要条件，如果商品主图非透明图，则不能被系统BI展现。因此，所有商品均需上传透明主图。再次商品主图规范、商品标题及关键词的优化也是重要工作内容，这些是保证在个性化展现过程中不被过滤的条件。

3. 丰富人群及用户营销