朱琦（拳拳） 大淘寶技術 2023-06-19 16:21 發表于浙江
本專題共10篇内容，包含淘寶APP基礎鍊路過去一年在使用者體驗資料科學領域（包括商詳、物流、性能、消息、客服、旅程等）一些探索和實踐經驗，本文為該專題第二篇。
在商詳頁基于使用者動線和VOC挖掘使用者決策因子帶來浏覽體驗提升；在物流側洞察使用者求助時間與實際物流停滞時長的關系制訂表達政策帶來物流産品滿意度提升；在性能優化域建構主客觀關聯模型找到啟動時長與負向回報名額的魔法數字以明确優化目标；建構多源VOC标簽體系綜合運用使用者行為和使用者VOC洞察、落地體驗優化政策，并總結出一套使用者體驗分析方法論。
本文為此系列第二篇文章，前一篇見——
第一篇：淘寶使用者體驗分析方法論
前言
使用者體驗是使用者在使用産品過程中建立起的一種主觀感受，它與使用者的預期強相關，不同使用者帶着不同的需求使用同一款産品體驗存在着差異，倘若能夠通過資料感覺這些差異并形成産品優化政策落地，勢必會給産品帶來體驗提升。
在本文中，筆者将簡要介紹資料科學如何基于使用者行為動線和使用者VOC（Voice Of Customer）資料建構名額和标簽，洞察使用者行為動線和使用者意圖差異點，挖掘影響消費者在詳情浏覽體驗的關鍵因素，指引産品落地優化政策并帶來體驗提升效果。此外，本文将采用BPPISE數科案例架構編寫，以便讀者能夠清晰地了解整個案例的工作過程。
業務背景
通過使用者滿意度調研獲知，消費者在寶貝詳情頁上對關鍵資訊擷取和資訊篩選效率存在較大的訴求，彼時行業關鍵因子（尺碼、參數、成分等）分散，前台固定心智表達待提升。為提升消費者在詳情浏覽體驗，我們希望圍繞行業次元差異決策因子，對商品主圖、首屏資訊等關鍵子產品進行更新，提升消費者決策鍊路流暢度，進而帶來商家經營增量。
傳統的商品決策因子供給依賴行業小二的經驗輸入，部分行業依靠使用者調研，範圍有限、粒度較粗，無法細化到類目、人群次元進行精細化營運。是以，在本案例中，資料科學綜合運用主客觀資料建立分析模型，洞察出不同人群、類目下使用者在詳情的行為和需求和差異點，給出産品體驗優化建議，設計AB實驗驗證效果。
問題定義
資料科學是一門将“現實業務問題”轉換為“資料世界中的問題”，再采用資料科學的理論、技術和工具等将資料轉化為知識，為解決業務問題提供直接指導的學科。圍繞業務問題，我們需要準确地定義出資料可解的問題。
▐ 資料選擇
巧婦難為無米之炊，在定義資料問題前，首先要明确需要哪些資料來解決問題，以確定問題的可衡量性。在了解業務問題的基礎上，思考詳情産品體驗更新背後的核心假設為：不同的使用者帶着不同的需求進入手淘後浏覽不同類目商品其關注因素可能不同，若詳情産品建構靈活的差異化承接能力，勢必會給決策效率和成交轉化率帶來增長機會。
基于該假設可以推導研究兩類資料對解決問題會啟到關鍵作用：
- 使用者動線資料：使用者在進入到離開詳情的一系列時序行為資料，包括子產品的曝光、滑動、點選、停留等，該類資料能反應出使用者具體表現。
特别地，有别于傳統的頁面級埋點資料（即頁面浏覽、曝光、點選事件），該場景需要精細化到單個頁面内的子產品級埋點資料（包括子產品滑動、曝光、點選、停留等）。
- 使用者原聲資料（VOC）：使用者通過APP回報管道吐露的原聲，該類資料可提取出不同使用者對不同商品資訊表達的不同需求。
特别地，由于VOC來源管道多，文本資訊處理複雜且成本較高， 需要精準地選擇目标資料，以在項目中保持方向和專注。
| VOC管道 | 資料特點和限制 |
| 商家客服咨詢 | 使用者在售前、售後産生的與商品、服務咨詢，偏主動 |
| APP使用者回報 | 使用者使用手淘過程中遇到産品體驗問題，偏售前、主動 |
| 平台求助 | 使用者下單後遇到的求助、糾紛類問題，偏售後、主動 |
| 商品評價 | 使用者收貨後的評價，偏售後、被動 |
| 問大家 | 使用者C2C對商品資訊的咨詢，偏售前、主動 |
淘寶VOC資料源及特點彙總
結合淘寶VOC資料特點和限制，選擇商家客服咨詢作為本案例中了解使用者對詳情商品表達差異化需求的目标資料源。特别地，選擇該資料是基于一個基礎認知：消費者從商詳入口進線咨詢的第一句有效語聊大機率是該使用者在售前針對商品資訊最關注的問題，即最能展現出使用者需求。該問題可能是對商品的疑慮、資訊缺失、咨詢建議等。
▐ 問題定義
在确認具備解決業務問題的目标資料後，我們給出本案例的資料問題定義：
如何基于使用者動線及商家客服咨詢VOC建立資料模型，分析歸納影響使用者在詳情決策的關鍵因素，洞察不同行業不同人群決策因子差異以指導詳情産品結構化表達政策，提升浏覽轉化效率。
資料準備
資料的收集、加工和預處理是資料科學的重要一環，本節介紹如何準備子產品級的埋點、VOC标簽資料，確定提供幹淨、一緻、可用基礎資料，以幫助項目獲得更準确的結果。
▐ 使用者動線資料
| 子產品 | 事件 | 埋點名稱 | 埋點參數 |
| 價格子產品 | 曝光 | 曝光-首頁-價格元件-展現 | Page_Detail_Show-Price |
| 點選 | 控件-首頁-價格元件-點選 | Page_Detail_Button-Price | |
| 标題子產品 | 曝光 | 曝光-首頁-品牌業務标-展現 | Page_Detail_Show-Brand |
| 點選 | 控件-首頁-品牌業務标-點選 | Page_Detail_Button-Brand | |
| 曝光 | 曝光-首頁-标題元件-展現 | Page_Detail_Show-Title | |
| 點選 | 控件-首頁-标題-長按-分享 | Page_Detail_Button-GoodsTitleShare | |
| ... | ... |
詳情事件埋點示意表
使用者動線資料重點介紹下埋點采集環節：有别于傳統的用戶端頁面埋點， 本案例需要精确到頁面内子產品級的分析，是以自定義了一套埋點規範以感覺使用者在子產品間關注點差異。如上表，定義并收集了詳情内标題、屬性參數、圖文詳情等多個子產品元件的點選、展現、消失埋點，以支撐産出使用者核心浏覽名額（控件曝光率、點選率、關閉率、橫滑率、停留時長等）。
▐ 使用者VOC資料
商家客服咨詢會話資料隐藏着大量使用者對商品的訴求和決策資訊，為了支撐後續結構化分析，需要對VOC資料進行标簽化工作，以確定資料的可用和高效。
- 标簽設計
| 一級标簽 | 二級标簽 | 三級标簽 |
| 商品咨詢 | 商品參數 | 産地、存儲方式、成分、... |
| 商品包裝 | 包裝方式、規則數量... | |
| 商品使用 | 食用方式、注意事項 | |
| ... | ... | |
| 庫存咨詢 | 是否有貨 | ... |
| ... | ... | ... |
VOC标簽設計示例
為保證标簽資料産出的一緻性，有必要明确标簽設計原則，标簽分為三級：
- 一級：for跨行業可對比分析的通用咨詢類型，咨詢話術不因商品、行業的差異性有顯著差別；
- 二級：for單個行業内跨一級類目可對比分析的咨詢類型，在一類的咨詢關鍵詞裡語義相近，比如食品行業内，茶vs乳制品；
- 三級：for單個一級類目内跨葉子類目可對比分析的咨詢類型，在一類的咨詢關鍵詞裡語義相近，比如茶類目下，普洱vs花草茶。三級包括：采摘時間、适用茶具、生長季節等。
- 标簽提取
标簽提取流程示意圖
VOC标簽的提取工作本質是一個文本分類問題，NLP分類随着Bert提出和演進趨于成熟，影響分類效果的關鍵因素是如何建構準确的訓練集。結合業務現狀訴求，對建構訓練集要求如下：
- 訓練集應盡可能覆寫可能出現的資料情況以確定模型泛化能力
- 建構訓練集過程應盡可能高效以滿足項目節奏且節約加工成本
如上圖，為解決a、b兩項問題，在流程中先通過文本聚類，對同一類目下使用者原聲進行歸納以全面感覺使用者咨詢意圖構成，标簽生産疊代過程中可在較短周期内對标簽定義達成共識，提升訓練集建構效率。
實際的使用者原聲資料中會存在長短句不一緻問題，正常文本聚類方法（例如通過TF-IDF/Word2Vec再求均值生成句子向量的方式）聚出來類簇很散、準确度較低，聚類結果也無法作為标注結果。該案例中，采用BIO+CRF的方法對VOC進行二進制關鍵短語提取，結合詞性判斷進行特征提取，組裝為：動詞+動詞、動詞+名詞、形容詞+名詞等組合，再通過DBSCAN進行聚類。該類方法的特點在于：
- 關鍵短語提取：一段短文本中最能代表其核心含意大機率是一段二進制的短語組合，且動詞+動詞、動詞+名詞、名詞+形容詞等短語組合最能突顯短文本中心思想。如：頁面#打不開（n+adj）、關閉#交易（v+n）。
- DBSCAN聚類：針對一個新的商品類目，無法評估可設計的标簽數及對VOC的整體使用率。基于密度的DBSCAN聚類法天然将VOC劃分為兩大類：可構成類簇、不可構成類簇（噪聲）；可統計噪聲占比名額評估VOC使用率，持續優化生産鍊路中各類參數。
分析洞察
準備好所需資料後，我們着手開始分析，通常是4步走：明确分析目标、設計分析思路、形成分析結論、落地資料政策。
▐ 分析目标
詳情動線分析的三大主體為“使用者”、“商品”、“浏覽行為”，圍繞“什麼樣的使用者”進入“什麼商品”産生了“什麼樣的浏覽行為”采集各子產品的浏覽、點選、停留時長資料及行為時序。綜合歸納主流使用者的行為路徑及關注資訊，對産品體驗進行更新，滿足消費者訴求；同時挖掘部分使用者的行為及關注點差異，判斷是否具備業務放大價值。
- 什麼樣的使用者：客觀特征（年齡、消費力、性别等）+主觀意圖（買/逛）
- 什麼商品：品類、決策周期、價格特征等
- 什麼樣的浏覽行為：子產品曝光點選率、停留時長、跳失情況等
▐ 分析思路
動線分析是基于如下假設：不同人群、類目、場景的使用者決策因子的差異化和增強表達，可提升詳情使用者浏覽體驗，提升購物決策效率。
- 假設樹
- 分析次元
- 分析名額
▐ 分析結論（男裝）
- 動線分析
- VOC分析
▐ 政策産出（男裝）
- 整體結論
對于男裝類目的詳情頁，使用者對a、b、c子產品的關注高，a子產品引導客服多，主要由于現有詳情可能存在細節圖/效果展示缺失、尺碼成分基礎資訊不容易查找等體驗問題。對于男裝購買決策而言，使用者主要關注尺碼、品質、...等（有季節特性）。
從來源看，首猜來源的使用者逛的特點顯著，更傾向于通過店鋪推薦或進店尋找感興趣的商品；而直播頁來源的使用者整體浏覽深度顯著較淺...。
從人群看，男性用a子產品的意願高且更關注款式，會員更關注x，新客更關注y，高購使用者更關注z。
從類目看，使用者在x類目中，對a、b、c的關注顯著更高。
- 優化建議
基于分析結論給出産品優化建議，需明确業務是否采納，跟進落地節奏。特别地，數科同學對産品/業務的認知和了解程度不同，其優化建議并不一定每次都被采納，部分建議存在着曆史已上線的情況，需與産品同學緊密溝通以推進落地。
政策落地
效果評估
實驗分層
實驗資料：筆數轉化率顯著+x%，單uv價值顯著+y%，成交uv轉化率微正；人均ipv顯著-a%、人均停留時長顯著-b%。
實驗解讀：基于本案例的優化方法能明顯提升詳情産品轉化效率（筆數轉化率顯著提升），增強使用者決策效率（人均ipv和停留時長顯著降低），但同時也未能讓更多使用者轉化（成交uv轉化率效果微弱），本質上帶來的是産品體驗的提升，效果符合預期。
團隊介紹
我們是大淘寶技術交易履約資料科學團隊，負責面向淘寶交易履約鍊路（下單、支付、購物車、物流、逆向等）海量資料挖掘DAU、DAC及使用者體驗增長機會。團隊緻力于圍繞使用者行為路徑、使用者VOC洞察使用者需求，基于人貨場比對落地交易鍊路觸達、轉化、複購和體驗政策，提升消費者購物體驗。
目前團隊招聘中，歡迎擁有消費者、商品、交易、營銷等相關領域資料分析/資料科學背景的優秀人才加入，有興趣可将履歷發送至[email protected] 。