編輯導讀：在網上購物時，消費者的一舉一動都備受產品經理的注意。如何讓用户找到心儀的產品，如何讓用户停留的時間更長，如何促使用户進行購買等等，這些問題都促使產品不斷升級迭代。本文作者將用實際案例分析實時意圖算法的應用，希望對你有幫助。
店鋪全部商品頁是商家將商品按照品牌或品類的維度展示的全部商品的集合。消費者在易購平台瀏覽商品、內容等，然後通過各種渠道進入店鋪全部商品頁。
消費者的進店行為會有常見的兩種場景：一是進店看店鋪品牌或者品類下有沒有同品牌或者同品類的相似商品，可能性價比更高，銷量更高，或者更好的可替代商品。二是通過促銷活動的吸引，且相信品牌，在品牌下看是否有合適的、可供選擇的商品，可以參與促銷活動一起購買。當然也還會存在其他進店鋪全部商品頁瀏覽逛逛的場景，暫不一一贅述。
店內流量進入全部商品頁之後，看到意向商品，會直接點擊商品坑位或者購物車標誌進入商品詳情頁，然後進行加購或者直接下單的操作。
原來全部商品頁展示商品通常按照綜合、銷量、新品、價格幾個維度排序展示，如上左圖所示。其中商品的綜合排序是根據平台的綜合規則計算出的排序，銷量是根據商品在一定時間內的銷售數量進行排序，新品是根據商品上架時間的前後排序，而價格則是根據商品的售價由低到高或者由高到低排序。以上四個排序是消費者常用的幾個維度。
按上述的四種排序都是基於平台、商品等維度給出的，也是電商平台通用的全部商品頁產品展示設計。這種展示方式好不好？是不是符合消費者的習慣？能不能帶來更多的流量轉化？
針對上面一些疑問我們有了新的想法，能不能根據消費者的意向優先展示消費者的心儀商品呢？消費者的意向如何確定？如果確定意向了，根據意向推送出來了商品真的能帶來更高的轉化麼?這些轉化如何用數據來衡量呢？
下一步就是看看如何解決。於是經歷了充分思考、討論和談判等等系列操作，制定了以下幾個步驟來設計：找方法、找場景、定數據指標，並在上線之後根據數據指標來驗證是否可靠，是否需要修正數據指標。
找方法：
由於平台之前分析過消費者在易購平台各渠道頁面的搜索、瀏覽、加購、收藏、購買等行為。通過對以上這些行為進行加權分析，可以計算出消費者近期的商品偏好，暫且將這種計算方法稱為消費者實時意圖算法。通過算法可以在消費者進入店鋪後實時計算並篩選出店內所有商品裏與消費者偏好相匹配的商品。如果有，則在店鋪推薦頁中優先展示消費者意向商品。
找場景：
有了實時意圖算法，也可以適用到店鋪內場景。那麼應該用在哪裏呢？又經過充分討論、溝通和選擇。作為店內第二大流量頁面全部商品頁就被選擇了。就是上面左圖的全部商品頁，用含有實時意圖算法的推薦排序替換綜合排序。並且在PC端、IOS、安卓、WAP和微信小程序中，在全部商品頁中都使用這種推薦算法排序展示。
簡言之，消費者在平台搜索、點擊、收藏、加購了商品之後，算法會將這些行為因子集合，並計算出意圖偏好。在消費者進入店鋪全部商品頁，根據算法匹配出符合消費者意圖的商品，在首屏最前面的坑位中展示。如下圖所示，消費者在主站搜索過華為兒童手錶，並且點擊瀏覽、收藏、加購過華為兒童手錶，則在進入華為蘇寧自營旗艦店全部商品頁，會優先展示最符合消費者意圖的兒童手錶。
定數據指標：
將實時意圖算法應用到店鋪全部商品頁之後，該用什麼樣的數據指標確定算法起了作用，給這個頁面帶來了更好的轉化呢？通常店鋪全部商品頁在整個消費購物鏈路是非必經鏈路，很多時候不能直接帶來轉化。以往衡量這個頁面的好壞是通過商品詳情頁達到率的指標來看。即店鋪全部商品頁引導進入商品詳情頁的流量，這是一個比率指標，是一段時間內從全部商品頁進入商品詳情頁的UV佔比，比率=（進入商品詳情頁的UV/店鋪全部商品頁的UV）*100%。例如進入店鋪全部商品頁的流量為100個人，其中直接進入商品詳情頁的有20個人，這個指標就是20%。如果有了推薦算法，這個指標上升了，那麼就認為算法是成功且可靠的。
數據驗證是否可靠：
算法和功能上線後，通過觀察商品詳情頁的達到率的趨勢圖觀測。如下圖所示，易購主要主要流量集中在APP，下圖第一條紅線是含實時意圖推薦算法的APP提審的時間。到APP被大部分設備更新約有一週左右。提審以後的一段時間，店鋪全部商品頁進入商品詳情頁的UV到達率持續上升，且較為明顯。在某種程度上來説，算法起效果了。
數據圖1—全部商品頁進商詳頁到達率
修正數據指標：
數據起效果了，大家都很開心，但好景不長，這種情況持續了不到一個月，數據指標持續下降，並且比原有的數據還低，可以看一下上圖的第二條紅色豎線。意識到問題，去找算法工程師，找流量源頭，看是否有算法變動，看是否流量出問題，是不是統計數據差異，還是服務器問題等等，集中每個可能的力量找原因。持續了很長一段時間，都沒有頭緒。到底是什麼原因導致數據下降呢？除了這個數據指標，還能有什麼數據可以反映變化呢？
於是查看了全部商品頁的引導轉化率指標，即一段時間內通過當前頁面進行下單購買的轉化率，這個指標比率=（通過全部商品頁完成下單的客户數/該頁面的訪客數）*100%。如下圖2所示。
數據圖2—全部商品頁引導轉化率
左側紅線的左邊是未有算法的轉化率曲線，較為平坦。左側紅線往右是頁面中增加了實時意圖算法的轉化率曲線。全部商品頁的引導轉化率升高頻率變多，是呈現向上的趨勢。即便右側紅線的右邊商品詳情頁的到達率下降了。轉化率曲線升高的頻率依然沒有降低，也就是説算法上線後一直是有效的。
看到這個數據趨勢，一顆心落下一大半。看來在後面的數據分析中全部商品頁的效果指標不能看全部商品頁到達商品四級頁的到達率了，這個指標對轉化評判不再有效。對此頁面的轉化效果需要直接分析頁面引導轉化率的指標了。
迴歸分析：
根據上面的數據可以初步確認算法有效，並且確定了新的轉化效果評判指標。還有個問題沒有解決，就是為什麼之前的指標失效了。再回歸到整體業務線路上來看，到底是什麼阻塞了大部分流量進商品詳情頁，這部分流量被分流到哪裏去了？在分析了大量產品需求改動及數據之後，終於發現了問題所在。
全部商品頁原來只是作為流量承接的中間頁角色，無法直接加購或者購買，流量通過這個頁面直接進入商品詳情頁，也就是我們一開始所描述的那個路徑。後來，我們的小夥伴為了提升消費者的購物體驗，實現快速加購，在當前頁面的商品坑位的購物車按鈕中增加了商品簇組件，可以實現當前頁面直接加購，進入購物車或者訂單頁。這樣流量進入這個頁面後，就可以在這個頁面選擇商品規格型號後添加到購物車，或者直接進入訂單頁。如下圖所示。
通過這次優化變動，全部商品頁除去跳失的流量，其他流量基本有三種流向：進入商品詳情頁、將商品加入購物車後進入購物車頁面，從當前頁面直接進入訂單頁。多了流量渠道，流量的轉化指標也不再主要參考商品詳情頁的到達率了，更加合理的參考指標就是當前頁面帶來的流量引導轉化率。
綜上所述，在實際業務中，對於大數據、智能算法的應用，在業務場景的選擇上，數據考核指標的選擇上需要綜合考慮業務目標、流量的引導、轉化率及最終實現價值等各種因素考慮。
備註：實時意圖算法在店鋪私域除了應用在全部商品頁，店鋪搜索結果頁和店鋪分類結果頁也用到了這套算法，只是這兩個頁面定位不同於全部商品頁，且流量沒有全部商品頁高，沒有重點闡述。
當前案例中分享的數據比例做了轉化，但是在數據曲線上則不受影響。
本文由 @簡 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議