《8-1 前端数据智能提升消费者体验.pdf》由会员分享,可在线阅读,更多相关《8-1 前端数据智能提升消费者体验.pdf(36页珍藏版)》请在三个皮匠报告上搜索。
1、前端数据智能-消费者体验优化曹睿坤 阿里巴巴 前端技术专家|01前端与数据智能02体验优化需求场景03关键技术04体验优化实践目录CONTENT|05未来展望01前端与数据智能|前端与数据智能|过去20年,随着互联网行业的兴起,互联网公司积累了大量的数据,数据智能也随之迅猛发展,从互联网到蔓延到各行各业。根据 Statista 的数据统计,2020 年,全球大数据储量约为 47 ZB。而随着 5G 的普及,元宇宙等新技术的发展,物联网等技术的普惠,可以预期全球的大数据规模仍将不断增长,数据智能也将随之渗入各领域不断改变我们生活和工作。前端与数据智能数据智能在电商场景下的应用已经有很多,商品推荐
2、、智能客服、广告投放、智能物流等等,前端开发者在日常的业务迭代中也会涉及数据埋点、ABTest、观查数据指标等与数据智能相关的工作。|02体验优化需求场景|体验优化的需求场景|在前端场景下,我们更关注的是用户交互体验,通过数据智能的应用,我们可以更精准地了解用户对UI、功能、交互逻辑的需求,从而给用户提供更好的体验。举例来说:跳失预测交互偏好智能 UI在业务场景中,我们希望能采取一定的策略对即将要跳失的用户进行挽留,提高频道对用户的吸引力我们希望探索一个频道内的用户对频道 UI 功能的偏好情况,对不同偏好的用户,采用不同的承接策略,提升用户体验根据用户对不同内容展现形式的喜好,在端侧动态组织内
3、容流,提高内容流的消费者体验。03关键技术|关键技术|关键技术|04体验优化实践|数据智能实践的一般流程|定义采集应用分析问题定义我们需要用数据做什么数据采集数据应用分析结论如何落地到业务数据分析如何对数据进行分析处理,得到结论1243目标策略度量问题定义-用数据做什么|消费者洞察通过数据,可以很好地描述用户画像,帮助我们更全面地洞察用户,更敏锐地感知消费者需求的变化。业务创新通过数据来证明产品创新的价值,或发现业务的优化方向。数据采集|1元数据消费者年龄、性别等2行为数据消费者在使用产品时的行为数据,如浏览、点击、页面跳转等3关键结果领券、下单、支付等关键业务结果数据基础信息埋点业务数据如何
4、获得数据,获取哪些数据,需要多少数据数据分析-如何对数据进行分析处理并得出结论|特征分析、降维数据可视化聚类、分类、回归模型数据统计GMV、UV、PV、MAU、DAU等指标数据跟踪趋势变化、数据探查挖掘数据内在规律,产出模型数据应用|分析结论如何落地到业务A/B 测试数据收集监控收集实验期间内 A/B 分桶的数据指标。随机分桶对人群进行随机分桶,保证测试时间段内分桶用户的一致性分桶验证对分桶人群进行验证,确认 A/B 分桶内用户的数据指标是接近的。实验投放将需要比较的策略分别投放到 A/B 分桶。分析测试数据,得出测试结论通过数据指标的对比分析,比较策略是否符合预期,并决定是否上线。交互偏好分
5、析实践-问题定义|消费者进入频道后,对频道内容的访问是否有一定的偏好或者规律?如果答案是肯定的,那么我们就可以根据每个消费者的访问模式实现更个性化的交互设计,提高用户满意度,优化消费者用户体验。交互偏好分析实践-数据采集|我们把每个用户一次页面访问(PV)作为一次用户行为。也就是说,单次用户行为是由用户访问一次页面,在这期间和页面的交互构成的。今日推荐划算八点半搜索Banner百亿补贴商品流划算江湖前端与数据智能|从频道的结构来看,消费者主要的交互形式是点击和滑动,而滑动和商品/功能模块的曝光是强相关的,所以我们将行为特征定义为频道内的不同功能模块的点击和曝光次数。|今日推荐划算八点半搜索Ba
6、nner百亿补贴商品流划算江湖交互偏好分析实践-数据分析-模型选择|在采集了3天数据后,我们开始进行数据分析。由于数据量大,数据标签(偏好类型)的未知性,并不适合人工打标分类,因此我们选择了DataCook 提供的 k-means 模型,通过聚类的方式分析特征数据。交互偏好分析实践-数据分析-模型选择|k-means 是一种基于欧式距离的聚类算法,比较容易理解,因此模型的可解释性较强,另外,它在训练和预测时对性能的开销也比较小,适合在端上实时预测。它的缺点是需要人为设置聚类数量,且中心点的选取对聚类结果影响比较大。交互偏好分析实践-数据分析-数据预处理|由于 k-means 的是基于欧式距离的
7、数据划分算法,均值和方差大的特征将对聚类结果产生决定性影响,如果我们直接把特征数据原始值进行聚类,那么由于商品流模块整体的点击和浏览数量往往会远大于其他模块,导致聚类结果出现偏差。因此我们在聚类前先要对数据进行归一化处理,让所有特征值保持在相同的数值范围内。然后通过肘图确定可选的 K 值范围。在我们的场景中,选择了 8,9,10 分别进行聚类。交互偏好分析实践-数据分析-不同 k 值的聚类结果|交互偏好分析实践-数据分析|交互偏好分析实践-数据分析|在验证了点击和浏览与行为分类之间的关系之后,我们得到了一个帮助我们进行 PV 分类的模型。浏览点击偏好类型1偏好类型2偏好类型3行为分类模型交互偏
8、好分析实践-数据分析接着我们继续收集了 30 天的行为数据,再用行为分类模型对这些数据进行分类。|交互偏好分析实践-数据分析|得到偏好概率表之后,我们对这部分数据进行跟踪比对,验证其偏好概率的稳定性。已知的偏好概率实际的偏好类型对比验证训练结果线上数据交互偏好分析实践-数据应用|落地方式云-端结合T-1 概率分布行为分类模型交互偏好分析实践-数据应用|页面预加载微动效承接策略分析测试结果A/B 测试实验策略确定指标交互偏好分析实践-数据应用|05未来展望|前端智能展望|WebNN:推动浏览器硬件加速的标准实现前端智能展望|WebGPU:向浏览器的GPU接前端智能展望|WASM:性能/加密/跨语前端智能展望|端上训练,端云协同非常感谢您的观看|