作者 | 覇天
商品的個性化推薦為業務帶來了非常顯著的增量，但是随着海量的商品數量的上線，商品的資料化資訊的激增。基于個性化搜推過濾依舊有非常多的商品資訊需要使用者進行決策，在一定程度上“過多的決策“會帶來使用者的“流失”。是以非常需要通過智能UI（UI的個性化）來縮短使用者的“購物決策時間”，在可用的空間中為使用者展示他最關心的内容，為業務帶來更多的增長可能。
這兩年，阿裡内很多的BU都開始了智能場景的探索，阿裡内部也啟動了共建方向，2019年和2020年智能化都是前端委員會探索方向，CBU也積極參與其中，并且和集團在做智能UI的同學保持長期的交流和共建，從19年開始探索智能UI。2020年3月大促通過算法的UI個性化推薦，取得了PVctr環比12%的增長。同時通過智能UI的産品化鍊路的建設，沉澱了CBU的智能UI元件物料庫，和《CBU智能UI對接最佳實踐》。
基于算法的智能UI推薦（資訊差異和UI視覺差異），在集團多個BU（淘系，CBU，螞蟻，口碑）的實踐中都取得了非常不錯的成績，平均為業務帶來的PVctr環比提升均在10%+。但是在持續的日常和商人節的智能UI的探索中，我們也發現了一些問題。
- 算法冷啟動：算法的UI推薦模型，需要進行冷啟動訓練。
- 依賴大流量：流量小的場景，在訓練不足的情況也會存在PVctr下降的情況
- 模型無法複用：真實投放的場景十分複雜，“人貨場“中的任何一個因素的變化都會幹擾訓練。場景通路的人群不同，跨業務的物料元件通常也會不同，算法的UI推薦模型不能被複用，需要重新訓練。
- 探索門檻高：很多找我們交流對接的BU會因為沒有算法同學的支援，而放棄了智能UI的探索。
我們開始反思，在智能化之前，我們是否還需要進行專業化的沉澱。重新審視智能UI，“通過基于使用者的UI偏好進行算法的動态定投，進而為業務帶來增長”。使用者的UI偏好是一個非常複雜的問題，随着物料的變多，UI方案的笛卡爾積組合就需要非常大的訓練量。在直接“千人千面”前，我們需要一輪千人N面。
基于UI的數字化，結合使用者的畫像分析，我們在CBU12月的商人節中，探索出一條穩健的智能UI實踐政策。通過UI動态的人群定投，我們不再需要冷啟動，不在依賴大流量場景，也解決了模型無法複用的問題。在這次12月商人節我們實作了UI智能的同時，沉澱了智能合圖以及UI快速幹預&調整能力，帶來總體的PVctr環比提升10.27%，智慧貨盤場景PVctr提升15.77%，價格敏感&金融敏感别環比提升14.21% 和 14.63%。
以下是我們本次大促活動中方案思考和技術架構，分享給大家。
政策解讀
結合B類的業務特色以及買家的人群畫像，我們先進行一層人群畫像的收斂，再基于收斂進行AB實驗。在實作動态定投的同時，還能通過後續的歸因來細化人群偏好。（例如，我們為價格敏感人群設定了48種UI方案，再在價格敏感人群中進行這48種方案的AB，細化價格敏感人群的不同物料偏好）具體的實作和對接需要經曆以下5個步驟。
- 拆分人群畫像
- 物料的開發&拼裝
- 方法打标
- UI&人群推薦
- 資料分析&歸因
使用者偏好模組化
基于1688大市場的使用者行為歸因，通過算法的分類模型，進行多元度使用者偏好模組化，實作使用者畫像的清洗。同時剔除覆寫度不夠的人群畫像，用相應的物料組合來承接不同的人群的UI偏好。我們将人群拆分為行為偏好（價格偏好、服務偏好、利益點偏好、産地偏好、金融偏好、其他：沒有命中偏好的人群）和商品偏好（新品、趨勢品、爆品、其他：沒有命中商品的人群）兩大次元進行組合。
使用者偏好本質上是期望通過使用者的自然屬性以及平台行為推測出使用者的興趣重點，進而給使用者推薦滿足他們興趣的物品|資訊|場景等。（以下是我們人群模組化的詳細方案）
本次算法在利用多元度使用者個性行為的基礎上，深度結合使用者精細化群組（身份地域等級）分類下的群體化偏好資訊，解決了使用者個體行為稀疏，偏好标簽覆寫率不高，使用者需求認知不足的問題。進行使用者商品偏好，服務偏好，金融偏好，價格偏好、利益點偏好以及産地偏好六大次元的模組化。
第一步：個體行為偏好模組化
個體行為偏好模組化核心是将使用者在平台上的多元行為資訊總結抽象為具體的偏好分值，針對六大次元的偏好我們分别建立獨立的二分類模型。不同次元的偏好模組化流程與方法基本一緻，主要分為問題定義，樣本建構，特征工程，label設定，模型選型以及名額衡量等步驟，下面對其中的核心步驟進行簡述。
- 問題定義：這裡我們将使用者對某類标簽的偏好模組化抽象為：利用使用者曆史N-90天的平台行為，去預測使用者未來N天對挂有某類标簽的商品是否會産生“行為”。
- 特征工程：特征層面上目前我們主要利用了使用者在平台上的不同時間的組合行為（1天，7天，30天，90天），行為主要包括如下：
- 貨盤行為：即使用者對帶有相應特征商品的點選，加購，收藏等行為
- 文本類行為：搜尋詞，旺旺聊天記錄
- 标簽行為：資訊的曝光|點選
- 頁面動線：使用者在各類心智場景的行為，如火拼場景對應低價心智，新品tab對應新品心智等
- 特色行為：基于業務了解挖掘到的使用者行為與使用者偏好潛在mapping關系，比如高頻多次的商品轉發或多收貨位址代表着使用者有一件代發需求等。
- label設定: 使用者未來一天對包含該标簽的商品的行為達到一定門檻值後，則該項标簽的偏好label為1。使用者的行為會按照不同程度進行權重，例如點選權重為1，收藏權重為2，購買權重為8。産地，服務等6項偏好标簽，樣本label置為1的條件相同。
在這樣的 label 的設定中我們也發現一些問題，有金融偏好和服務偏好的人群比例過高，與常識不符合。仔細分析商品标簽可以看到能夠挂上金融标簽的商品占比xx.x%，比例非常大，标簽能夠覆寫的商品占比越高，有該偏好的使用者就占比就越大，最後導緻商品數量的大小直接決定了偏好人群的大小，這顯然是不符合常理的。那如何修正呢？
基于标簽背後的心智，差異化标簽置1的門檻，嚴肅打标标準。改善由于挂标商品分布不均而導緻的資料偏差。這樣做也有他的缺點，（引入人為業務了解，資料分布可能随着人的專業知識認知變化而變化）。但是在這種場景下，這樣的方案相對合理，現行label設定規則如下：
- 行為過包含該标簽（商品，價格，産地，營銷 ）的商品達到一定門檻值或使用者搜尋query包含（低價，新品）等資訊後則該項偏好label為1；
- 服務偏好label置1條件 :（商品轉發次數 >= 門檻值） 或 （收貨位址數 >= 門檻值） 或 （産生代銷/分銷訂單) 或 (搜尋端點選過相應篩選項) 或 (行為過包含該标簽的商品達到一定門檻值，且占比大于商品标簽占比）則該項偏好label1
- 金融偏好label置1條件 ：(命中誠e賒準入條件人群，且 使用了誠e賒，融易收支付) 或( 行為過包含該标簽的商品達到一定門檻值，且占比大于商品标簽占比) 則該項偏好label為1
- 模型選型: GBDT二分類模型。
第二步：群體偏好模組化
差別于C類使用者，B類使用者的行為稀疏度非常高，但是我們發現，某些具有特定社會身份的C類人群，他們會有相對一緻的偏好，可以作為冷啟動的有效手段，如寶媽偏好母嬰用品，年輕女孩偏好美妝等。B類使用者由于他們背後的生意模式是比較相似的，是以可以通過類似群體性的聚合實作資訊繭房的突破，一定程度上完成使用者偏好的冷啟動。群體畫像建構分為兩個步驟：
- 人群劃分，我們認為同一人群具有相似的偏好，這裡結合業務輸入選取“身份地域等級”作為細分人群組合粒度；
- 群體偏好計算，計算細分人群與大盤人群之間的TGI指數= [目标群體中具有某一特征的群體所占比例/大盤中具有相同特征的群體所占比例]*标準數100，擷取群體偏好得分。例如：（東北L0微商價格敏感人數占比）/（大盤價格敏感人數占比）。分數越大說明該細分群體對該項标簽越偏好。
從以下熱力圖我們也可以簡單的看到淘賣微商服務偏好更敏感，一件代發需求強烈；實體店都偏好低價格段；微商對新品最敏感；使用者對本地區的賣家有偏好等等，與我們的業務認知比較符合。
第三步：群體偏好與個體偏好融合
由于不同使用者其平台行為的豐富程度是不一樣的。對于行為豐富的使用者，我們選擇更相信其個人行為而産生的偏好。而對于那些行為比較稀疏的使用者，其個人行為置信度比較低，我們會更加傾向于利用其群體化的偏好進行冷啟動。
第四步：使用者偏好歸一化
由于同一使用者不同偏好之間的偏好分是基于獨立模型模組化得到的，不同分數之間不能橫向對比。這裡我們第一版本采取了對每一維偏好縱向上進行百分位歸一化的方法，保障單一使用者各偏好分均代表其在大盤人群中的百分比排名情況，橫向拉齊各項偏好名額。（例如:A使用者原始的服務偏好分為0.78，大盤總人數為2000W人，所有使用者在服務偏好上的分數按從小到大排序後，A使用者原始的服務偏好分排名第1000W名，則A使用者的歸一化服務偏好分=1000W／2000W=0.5）
後續算法側進一步利用多标簽學習的方法，進行使用者标簽一緻性模組化，從根源上去解決使用者偏好标簽基本都是單任務模型，且各标簽開發的業務背景、owner、模型選項各有不同，對資料的了解和品質要求也參差不齊，導緻從宏觀層面分析和應用時，單使用者各标簽之間橫向不可比的問題。相關ATA敬請期待，如果對人群模組化進一步了解。
偏好消費
通過将人群拆分為行為偏好（價格偏好、服務偏好、利益點偏好、産地偏好、金融偏好）和商品偏好（新品、趨勢品、爆品）兩大次元進行組合。從行為偏好來确定使用者專屬的會場結構，再結合使用者商品偏好和商品模型，混排放大使用者偏好的商品屬性。
确定使用者的一級偏好
基于使用者的行為偏好，我們通過對物料的顔色深淺，線條處理，資訊結構等設計，來突出和弱化物料的資訊。針對下方價格敏感人群，我們可以通過折線和膠囊視覺來突出價格的要素。同理針對利益點敏感産地敏感等人群，通過重點突出利益點和産地的資訊，弱化價格等其他資訊。為每種偏好人群關聯的物料至少準備2中以上強化資訊和弱化資訊的物料。（ps：左上角的标簽用于标示商品是屬于哪種生命周期的商品，便于了解）
結合商品屬性确定使用者的二級偏好
進一步結合使用者對商品的屬性偏好，人群進行 UI下鑽 ，設計出更豐富的UI組合。通過對使用者偏好的商品屬性放大，引導他在海量的商品feeds流中發現自己關注的商品的屬性。例如爆品偏好的人群，在商品推薦流中可能會被推薦各種商品（新品，爆品，趨勢品，尾貨等等），但是我們隻放大爆品的爆品屬性，例如: “熱賣xx件”和“社交爆款”等來捕獲使用者的視覺焦點，在整個feeds流中就可以減少使用者對爆品的決策。
(例如：一個使用者被識别為價格敏感人群，我們首先通過折線物料來突出降價。再進一步，識别使用者偏好的商品心智，如果使用者是爆品敏感，我們就在feeds流中，将爆品商品展示“熱賣xx件”的物料。）
通過兩級人群偏好（A行為偏好xB商品偏好）的定投，我們為15種畫像的人群提供定制化的UI，同時通過投放資料的歸因，得到更細粒度的使用者對偏好資料，為下一次設計做指導。
是以當你是（價格敏感且爆品敏感）或（産地敏感且爆品敏感）的人群，看到真實線上方案是這樣的～
物料開發
确定完具體的實驗政策，就進入到物料生産階段。通過lowcode的物料開發方式，實作物料的一次開發多次複用。同時将UI拆分成布局和物料進行靈活拼裝，12月商人節通過24個物料和3種布局，我們實作了線上同時348種方案的個性化定投。具體步驟如下（詳細細節之前分享過，此處不再擴充）
- 首先通過上傳sketch，快速解析物料
- 綁定資料源釋出
- 配置實驗組合
- 對接算法政策和消費容器元件
- 智能UI上線
智能UI：1688 B買狂歡節的探索與實踐
UI 數字化
從原來的算法冷啟動，變為基于UI數字化的人群定投。在對接鍊路上，多了一層物料&方案的打标，和标簽消費的環節。那算法如何消費物料呢？
通過打标進行UI收斂，算法消費UI标簽進行人群偏好比對。維護标簽庫來進行物料和方案的數字化，我們将标簽分為“内容标簽”，“類型标簽” 和 “整體的方案标簽”。（内容标簽代表物料是什麼内容，類型标簽代表了物料的心智，樣式效果等。整體方案标簽則能從UI總體突出要素來标記UI方案的整體心智）
當然，不同的物料也可以打上相同的标簽。（例如：标題物料，樣式一緻但業務字段不同，開發的同學可能開發了2個長得一樣的物料。或者：在商品心智标簽中，“熱賣xxx人“ 和 “xxx人已加購”都代表了相同的爆款的心智）
通過對方案上線後的資料回流，實作跨業務的算法結論的複用。同時通過對物料标簽進行了歸因，能為UED提供設計指導服務。設計的同學可以通過選擇人群或者輸入userId的方式，檢視使用者偏好的内容标簽排序和視覺設計排序（這部分在12月大促中還未實作，後續會進行産品化）
每個BU都可以基于自己的業務特征對物料和方案配置标簽庫。下面是CBU現在使用的标簽庫。通過方案标簽實作先驗的UI定投，再通過物料标簽實作後驗的歸因，為設計提供指導。
同樣也可以通過為方案打上黑名單來自動化處理不合理方案過濾，我們建設了通用的标簽庫和打标的能力。
實驗分桶
通過對UI方案的打标，我們将UI方案分為（價格敏感，服務敏感，利益點敏感，金融敏感，産地敏感，黑名單）x（新品，趨勢品，爆品）。剔除黑名單後進行分桶實驗，為了確定實驗的準确性和誤差，我們分為基礎桶，随機桶，以及人群定投實驗桶。
- A組基礎桶，切10%的流量，（基礎桶的确定邏輯，由業務指定必出的字段和必出的業務邏輯）
- B組随機桶，切10%的流量，（所有上線的UI方案進行随機投放）
- C組實驗桶，切80%的流量，（基于人群定投所有的個性化UI方案）
實驗效果
這次投放了大促會場xx%+，覆寫智慧貨盤xx萬個，實作無人搭建的效率提升的同時，通過UI定投為業務帶來了 PVctr 環比 10.27% 的總體提升。在實驗過程中我們對智能UI的樣式進行了一版的疊代，通過快速替換物料的方式快速上線新UI方案，在智慧貨盤的智能UI方案中，我們帶來了PVctr 環比 15.77% 的提升。
産品化建設
鍊路大圖
12月商人節我們探索出了很多的新能力，但是産品化的建設還需要進一步的優化，建設思路和項目進展，分享給大家。基于人群的UI定投，需要涉及的内容比較多。中間涉及了先驗的人群分析，物料開發及公共元件的沉澱，方案打标，實驗分桶，UI推薦，實驗歸因等環節。
- 畫像分析：通過提前對大市場的使用者進行精細化的拆分，清洗出使用者行為偏好畫像。
- 開發打标：基于使用者的行為偏好畫像進行UI設計開發，為實驗投放方案進行打标。
- 實驗分桶：通過基礎桶，随機桶，實驗桶的方式控制實驗變量和幹擾。
- UI 推薦：算法通過将人群和UI進行比對，精準的為使用者投放UI。
- 實驗歸因：更細粒度的進行人群和UI偏好的歸因，資料回流支援下一次人群定投實驗。
S2建設比較核心的功能在與打标服務和UI推薦服務，下面會進行擴充講解。
打标服務
前端與算法按照約定消費UI方案，将UI方案拆分為區塊與物料的方式進行靈活拼裝，通過id來記錄物料，通過字母來記錄布局區塊，通過固定協定的字元串來特指UI方案（例如：A^320|B^2425C^2371|.......）。
通過打标關系表來連結物料方案與标簽的關系，整體的UI标簽結合CBU的人群畫像進行UI定投，物料标簽結合線上資料回流歸因實作設計實踐的方法論沉澱實作UI推薦。
UI 推薦服務
其中UI推薦服務，通過配置鲸幂id來确定場景的物料和布局方式，對接人群服務和商品服務，識别使用者的兩級偏好，結合商品屬性進行使用者偏好放大。實踐充分驗證了UI智能化之前的專業化必要。除了這次的算法人群畫像外，我們後續還會對接CBU的買家營運平台，把UI營運的能力開放給業務，進行UI推薦服務的更新。
這次大促沉澱的UI政策已經在CBU日常的A+級别大促中延用，後續我們會為業務提供UI營運的能力，通過配置的方式，業務可以自行維護标簽庫和AB人群偏好，來精細化幹預UI的人群比對關系。（A：鎖定場景的基礎心智，B：結合商品混排放大UI比對規則）。營運同學可以通過寫SQL的方式進行人群圈選，同時為方案打上相應的标簽來進行UI比對。營運的人群視角也能夠給算法帶來更細粒度的畫像輸入。（開放的配置能力建設中）
沉澱CBU物料中心，為設計的同學提供設計指導服務，設計的同學可以選擇不同的人群來檢視不同的物料标簽在場景的點選效能。也可以看線上頁面的人群與現有的人群畫像的覆寫度，進一步指導場景UI實驗政策的設計（建設中）
歸因小站
為業務提供通用的資料歸因能力，業務同學通過自主的實驗投放，借助我們平台來檢視實驗資料，基于3種分桶的總體的PVctr的提升，以及不同人群畫像的下鑽資料，和行業資料，進行UI的實時調整和修改。
總結&規劃
項目進展
智能UI我們完成了最佳實踐的探索，沉澱了物料的低代碼研發，托管，實驗配置及消費能力。這次大促我們實作了基于人群的UI探索探索，接下來我們還會進行智能UI工程鍊路的優化，算法UI推薦和UI精細化營運并驅進行。以下是我們目前的項目進度。
- 基礎通用元件沉澱（完畢）
- 打标能力，批量打标服務開發（完畢）
- CBU的物料收斂，大促&日常物料庫收斂（完畢）
- 統一業務域（會場與搜尋推薦）的UI推薦服務，（技術方案對焦中）
- 2.0 資料歸因平台的（建設中）
- UED設計指導平台（建設中）
未來規劃
場景智能
CBU目前除了智能UI，還在做智能搭建的探索。從“智慧貨盤生産” 到 “會場結構智能” 到 “元件UI智能”，實作會場的“智能化精細化營運”。智慧會場在12月大促中也取得了非常不錯的效果，未來在搭建側，我們能解放前端的生産力，使用者能實時獲得個性化的資訊推薦。
UI精細化營運
另一方面，接下來我們依舊會進行“買家UI精細化營運”的重點建設，除了年輕的個性化的使用者訴求，智能UI也會重點支援場景适老化，沉澱适老化的場景物料，為老年群體提供更棒的購物體驗。（中國已經進入了老齡化的社會，現在中國已經有2.5億的老年人，但是其中隻有1.2億使用了網際網路。很多老年人是網際網路的“局外人”。記憶力、注意力以及感覺能力的衰退，帶來了視力障礙，在互動界面上他們有更強的“個性化訴求更強”）
關于智能UI，我們相信一定是未來的趨勢。通過借助算法的能力和營運經驗的沉澱，通過精細化買家UI營運，更加智能的為我們的使用者定制專屬場景，未來也很有可能會颠覆前端的開發和工作模式。結合“端智能”和“買家互動”，我們能為前端智能化提供更好的性能和體驗。前端智能化，未來也一定還有更多的機會和領域值得探索。另外我們是阿裡1688部門（
https://zhuanlan.zhihu.com/p/99483714），歡迎大家一起來交流，微信号 白霸天（linlin--1028）。
關注「Alibaba F2E」
把握阿裡巴巴前端新動态