eBay的大数据情结:猜出你的购买欲

标签:大数据eBay大数据情结

访客:19202  发表于:2014-09-10 17:17:05

在网络世界,数据就是金钱。作为全球最大的拍卖网站, eBay 对这一点深有体会。眼下, eBay 对各种在线数据的分析无所不至,就像在每个顾客前面安装了摄像头一般。毫无疑问, eBay 拥有的数据量是惊人的。其每天都要处理 100PB 的数据,其中包括 50TB 的机器数据。可以说, eBay 每天都面临着天文数字般的大数据挑战。

eBay的大数据情结:猜出你的购买欲

早在 2006 年, eBay 就成立了大数据分析平台。为了准确分析用户的购物行为, eBay 定义了成百上千种类型的数据,并以此对顾客的行为进行跟踪分析。然而,这同时也为 eBay 带来了新的挑战。要知道,公司的数据量多到难以想象,没有人能分析消化这么多的数据,也没有人能基于所有数据建立起模型。事实上, eBay 真正应用到的,只是其收集的数据中的一小部分。“剩余的数据, eBay 或是将其丢弃,或是将其存储起来。因为说不定哪天,科技实现了突破,这些数据就会变得有用。” eBay 大中华区 CEO 林奕彰指出。

那么目前, eBay 是如何利用这些数据,来促进业务创新和利润增长的呢?

情结一:为用户“画像”

eBay 拥有近 2 亿的用户,网站的商品清单项目则有 3 万多类。在平台的日常交易中, eBay 几乎每秒都要处理数千美元。而这些交易数据,其实只是 eBay 全站数据信息总量的“冰山一角”。

基于大数据分析, eBay 每天要回答的问题有很多,比如,“昨天最热门的搜索商品是什么?”而即便是这样的简单问题,都需要涉及处理五十亿的页面浏览量。从这个角度看,任何一个基本的业务问题,对公司来说都是一个相当巨大的问题。

就 eBay 如何利用大数据来增加在线交易,林奕彰举了一个典型的例子。譬如,一位年轻的女性早上 10 点在星巴克浏览 eBay 网站, eBay 应该推送给她什么样的商品呢?

“就这几个信息点,我们其实已经做了不少研究。”林奕彰说,“事实上,用户早晨 10 点、中午 12 点,或是晚上 7 点,她浏览的商品是不同的;在餐厅或是在家里,同样会对浏览和搜索产生影响;此外,还有用户的年龄、当时的天气等等,都会对购物产生影响。 eBay 要做的,就是学习不同情景下的不同购物模式,并推送给用户最想要的商品。”

据悉, eBay 可以从用户以往的浏览记录里“猜”她想要什么样的商品,也可以从设定的成百上千种情景模型中计算出用户可能的需求;或是对照另一位有着相似特点的女性用户,看她当时买过什么样的商品,从而推断出这位用户潜在的需求。在综合各种考量因素后, eBay 的后台需要在短短几秒内将商品页面推送给用户。这意味着, eBay 的系统需要有非常快的运算速度。

这种运算模型,有相当一部分人为的因素。比如,机器可以搜集用户的上万个数据,但 eBay 的工程师可以定义其中的 100 个数据为有效数据,而模型则建立在这些有效数据之上。此外,当计算机自动“学习”分析各种数据形成的趋势时, eBay 需要将机器学习的逻辑设定在与商品交易相关的行为上。

除了通过大数据为用户“画像”而向其推送有针对性的商品, eBay 此前还尝试利用大数据进行搜索引擎的优化。

具体说来, eBay 可以把握用户的行为模式,使搜索引擎更加“直觉化”。如果时间倒退几年,用户在使用 eBay 的搜索引擎时,会发现它只能理解字面的意思,并按照字面意思寻找。很多时候,搜索引擎并不能理解用户的真实意图。但现在, eBay 正试着改变或重写用户的搜索请求,增加同义词或替换语句,从而给出更相关性的内容,并由此增加在线交易量。而这背后,统统离不开大数据的支持。

情结二:为商家提供“情报”

基于用户购物的数据, eBay 同样会给商家提供各式各样的“情报”。比如, eBay 会告诉制造商用户正在网上搜索什么商品,或是各种出口行业的数据,制造商会立刻对此做出反应。

很多时候, eBay 会根据自身或其他电商网站的交易情况,向商家建议其应该销售的品类。“这也是 eBay 大中华区正在做的工作,”林奕彰称,“比如,一个中国的商家希望将产品卖到澳洲,我们通过数据分析可以告诉他,他一个月大约可以卖出多少产品,定价应该在什么范围内,市面上还有多少商家在卖同样的产品,他的市场占有率大概是多少。”

在此基础上, eBay 还试图算出商家的补货频率。事实上,海外仓储是商家非常头痛的问题,一旦计算失误,便可能造成库存积压或缺货。而在 eBay ,一旦用户下单后发现商家缺货,将是非常严重的问题。这种情况下, eBay 可以通过过往的数据分析,得出商家第一批货的大概销量,以及按照过去销货的速度什么时候应该补货,物流的时间又是多久。通过这些数据的计算, eBay 可以测算出商家补货的逻辑。

这些数据分析,对于商家开拓新的销售品类非常管用。因为通常情况下,商家需要四五个月,才能摸清楚一种货物的淡旺季销量,及其在各个地区的受欢迎程度。

当然, eBay 所做的只是为商家提供各种潜在的商机,至于卖家是否愿意投入生产,或能否找到合适的供应商进货,仍需要他们自己去完成。很多时候, eBay 推荐商家销售 200 个新品类,而最终商家只能找到 50 种新产品的供应商。

除此之外,凭借平台上产生的各种信息, eBay 还可以扮演“品管 ( 品质管理 ) ”的角色。举例来说,一个卖家要在 eBay 上卖 1000 个产品,当它卖到 50 个产品的时候,有 5 个产品出了问题;卖到 200 个产品的时候,有 20 个产品出了问题;卖到 400 个产品的时候,有 40 个产品出现质量问题,以此类推。而 eBay 要做的,就是在其早期出现问题的时候,就及时提醒卖家。

进一步说,当卖家卖掉 10 个、 20 个产品的时候, eBay 就要根据退货率、买家评论等把可能的问题检测出来。与此同时, eBay 会提醒卖家,让其监督供应商改进品质,或选择将商品下架,或是修改物品的描述。

在理想状态下,这种品管系统会形成一个大数据的循环,并帮助卖家减少退货,销售更多的商品。假如卖家在收到这样的通知后依旧我行我素, eBay 就会认为这样的卖家并不重视品管,到了一定阶段, eBay 会对其实施交易“配额”,限制其交易量。

“品管的难点在于,我需要通过数据模型在卖家交易量很少的时候就发现问题。这种早期预测涉及复杂的运算。”林奕彰表示,“一旦交易量大了,卖家自己也会统计退货率,之前的损失也就无可挽回。”

情结三:试错与挑战

和其他在线交易平台一样, eBay 对假货亦十分敏感。眼下,公司试图通过大数据技术,让系统“智能”地识别出假货。

实际上,“网络打假”工作并不容易。要知道,假货常常以各种形态出现在网络上,且屡禁不止。以 Rolex 为例,假货商家可能在单词中增加一个空格,也可能将其中两个字母互换位置,甚至名称里根本不出现 Rolex ,只是图片展示出 Rolex 手表的样子。 eBay 上有如此多的品牌,自然有形形色色的假货充斥其中。这种情况下,单是靠在商品名称或描述里抓关键词,根本抓不住假货。

而 eBay 眼下做的,就是通过数据分析建立起一种模型或规则,假如商家的交易符合这种规则或特征,便有可能是在卖假货。

打个比方,当一个卖家的商品卖的很便宜,卖得很快,但后面的抱怨和退货很多,系统就会把这个“可疑”的模式识别出来,然后再由工作人员去判断,这个卖家是否在卖假货。换言之,“即便数据的量再大,卖假货的人都有相对固定的模式。”林奕彰称。而通过这种方式, eBay 有效地鉴别出不少假货商家。

不过,林奕彰并不讳言,这种大数据分析方法亦有其弊端。“就假货问题来说,这种方式只能在事后将问题查出来,而无法事先预测。”他表示,“这不是那么容易解决的问题,因为无论用什么样的模型去套,假货交易总是能先骗你一阵子。”

除了分析的滞后性, eBay 的大数据挑战还体现在庞大的数据处理上。尽管企业数据仓库为查询提供了巨大性能,但它仍无法满足 eBay 存储和灵活处理的需要。要知道,这些系统的造价相当昂贵,当 eBay 每天增加 50TB 的数据时,其成本是相当高昂的。

在此基础上, eBay 收集的相当一部分数据,在目前看来是无用的数据。毕竟,数据采集得越多,变量越多,而由此带来的“数据噪音”也越多,模型越失真。从这个角度看, eBay 要做的是记录那些有意义的数据,并销毁那些不需要的信息。问题在于, eBay 要分析的 85% 的问题都是新的或未知的,“ eBay 并不知道哪些信息未来或许会有用,”林奕彰坦言,“那些现在看起来无效的数据,明后年可能就会随着科技进步被消化,我们现在只能先把这些数据储存起来。”

但另一厢,假如将所有信息都储存起来,那么 eBay 每个月都会新增数以亿计的数据信息。在如此浩瀚的数据海洋中,分析工作根本无从下手。因此对 eBay 来说,这是一个必须平衡的难题。

需要指出的是, eBay 当下的分析模型也还不够完美。无论是“猜”用户,还是分析商家在 eBay 上的生意, eBay 猜错的情况非常非常多。对于这一点,林奕彰举了信用卡的例子。在他看来,“银行其实是运用大数据最厉害的,但无论风控模型怎么完美,全球依然有 2% 左右的信用卡赔率。”况且, eBay 用的并不是成熟机构认证过的模型,很多时候要靠自己去猜,那么误差也就不足为奇。

评论(0)

您可以在评论框内@您的好友一起参与讨论!

<--script type="text/javascript">BAIDU_CLB_fillSlot("927898");