8-1 前端數據智能提升消費者體驗.pdf

《8-1 前端數據智能提升消費者體驗.pdf》由會員分享，可在線閱讀，更多相關《8-1 前端數據智能提升消費者體驗.pdf（36頁珍藏版）》請在三個皮匠報告上搜索。

1、前端數據智能-消費者體驗優化曹睿坤 阿里巴巴 前端技術專家|01前端與數據智能02體驗優化需求場景03關鍵技術04體驗優化實踐目錄CONTENT|05未來展望01前端與數據智能|前端與數據智能|過去20年，隨著互聯網行業的興起，互聯網公司積累了大量的數據，數據智能也隨之迅猛發展，從互聯網到蔓延到各行各業。根據 Statista 的數據統計,2020 年,全球大數據儲量約為 47 ZB。而隨著 5G 的普及，元宇宙等新技術的發展，物聯網等技術的普惠，可以預期全球的大數據規模仍將不斷增長，數據智能也將隨之滲入各領域不斷改變我們生活和工作。前端與數據智能數據智能在電商場景下的應用已經有很多，商品推薦

2、、智能客服、廣告投放、智能物流等等，前端開發者在日常的業務迭代中也會涉及數據埋點、ABTest、觀查數據指標等與數據智能相關的工作。|02體驗優化需求場景|體驗優化的需求場景|在前端場景下，我們更關注的是用戶交互體驗，通過數據智能的應用，我們可以更精準地了解用戶對UI、功能、交互邏輯的需求，從而給用戶提供更好的體驗。舉例來說：跳失預測交互偏好智能 UI在業務場景中，我們希望能采取一定的策略對即將要跳失的用戶進行挽留，提高頻道對用戶的吸引力我們希望探索一個頻道內的用戶對頻道 UI 功能的偏好情況，對不同偏好的用戶，采用不同的承接策略，提升用戶體驗根據用戶對不同內容展現形式的喜好，在端側動態組織內

3、容流，提高內容流的消費者體驗。03關鍵技術|關鍵技術|關鍵技術|04體驗優化實踐|數據智能實踐的一般流程|定義采集應用分析問題定義我們需要用數據做什么數據采集數據應用分析結論如何落地到業務數據分析如何對數據進行分析處理，得到結論1243目標策略度量問題定義-用數據做什么|消費者洞察通過數據，可以很好地描述用戶畫像，幫助我們更全面地洞察用戶，更敏銳地感知消費者需求的變化。業務創新通過數據來證明產品創新的價值，或發現業務的優化方向。數據采集|1元數據消費者年齡、性別等2行為數據消費者在使用產品時的行為數據，如瀏覽、點擊、頁面跳轉等3關鍵結果領券、下單、支付等關鍵業務結果數據基礎信息埋點業務數據如何

4、獲得數據，獲取哪些數據，需要多少數據數據分析-如何對數據進行分析處理并得出結論|特征分析、降維數據可視化聚類、分類、回歸模型數據統計GMV、UV、PV、MAU、DAU等指標數據跟蹤趨勢變化、數據探查挖掘數據內在規律，產出模型數據應用|分析結論如何落地到業務A/B 測試數據收集監控收集實驗期間內 A/B 分桶的數據指標。隨機分桶對人群進行隨機分桶，保證測試時間段內分桶用戶的一致性分桶驗證對分桶人群進行驗證，確認 A/B 分桶內用戶的數據指標是接近的。實驗投放將需要比較的策略分別投放到 A/B 分桶。分析測試數據，得出測試結論通過數據指標的對比分析，比較策略是否符合預期，并決定是否上線。交互偏好分

5、析實踐-問題定義|消費者進入頻道后，對頻道內容的訪問是否有一定的偏好或者規律？如果答案是肯定的，那么我們就可以根據每個消費者的訪問模式實現更個性化的交互設計，提高用戶滿意度，優化消費者用戶體驗。交互偏好分析實踐-數據采集|我們把每個用戶一次頁面訪問（PV）作為一次用戶行為。也就是說，單次用戶行為是由用戶訪問一次頁面，在這期間和頁面的交互構成的。今日推薦劃算八點半搜索Banner百億補貼商品流劃算江湖前端與數據智能|從頻道的結構來看，消費者主要的交互形式是點擊和滑動，而滑動和商品/功能模塊的曝光是強相關的，所以我們將行為特征定義為頻道內的不同功能模塊的點擊和曝光次數。|今日推薦劃算八點半搜索Ba

6、nner百億補貼商品流劃算江湖交互偏好分析實踐-數據分析-模型選擇|在采集了3天數據后，我們開始進行數據分析。由于數據量大，數據標簽（偏好類型）的未知性，并不適合人工打標分類，因此我們選擇了DataCook 提供的 k-means 模型，通過聚類的方式分析特征數據。交互偏好分析實踐-數據分析-模型選擇|k-means 是一種基于歐式距離的聚類算法，比較容易理解，因此模型的可解釋性較強，另外，它在訓練和預測時對性能的開銷也比較小，適合在端上實時預測。它的缺點是需要人為設置聚類數量，且中心點的選取對聚類結果影響比較大。交互偏好分析實踐-數據分析-數據預處理|由于 k-means 的是基于歐式距離的

7、數據劃分算法，均值和方差大的特征將對聚類結果產生決定性影響，如果我們直接把特征數據原始值進行聚類，那么由于商品流模塊整體的點擊和瀏覽數量往往會遠大于其他模塊，導致聚類結果出現偏差。因此我們在聚類前先要對數據進行歸一化處理，讓所有特征值保持在相同的數值范圍內。然后通過肘圖確定可選的 K 值范圍。在我們的場景中，選擇了 8，9，10 分別進行聚類。交互偏好分析實踐-數據分析-不同 k 值的聚類結果|交互偏好分析實踐-數據分析|交互偏好分析實踐-數據分析|在驗證了點擊和瀏覽與行為分類之間的關系之后，我們得到了一個幫助我們進行 PV 分類的模型。瀏覽點擊偏好類型1偏好類型2偏好類型3行為分類模型交互偏

8、好分析實踐-數據分析接著我們繼續收集了 30 天的行為數據，再用行為分類模型對這些數據進行分類。|交互偏好分析實踐-數據分析|得到偏好概率表之后，我們對這部分數據進行跟蹤比對，驗證其偏好概率的穩定性。已知的偏好概率實際的偏好類型對比驗證訓練結果線上數據交互偏好分析實踐-數據應用|落地方式云-端結合T-1 概率分布行為分類模型交互偏好分析實踐-數據應用|頁面預加載微動效承接策略分析測試結果A/B 測試實驗策略確定指標交互偏好分析實踐-數據應用|05未來展望|前端智能展望|WebNN：推動瀏覽器硬件加速的標準實現前端智能展望|WebGPU：向瀏覽器的GPU接前端智能展望|WASM：性能/加密/跨語前端智能展望|端上訓練，端云協同非常感謝您的觀看|