现在在很多大型平台，一提到其中的算法，大家的第一反应就是搜推广中1. 的CTR预估模型或是CVR预估模型。
的确，在系统当中，从分发的角度，在线的分发效率是直接能够影响到最终的业务结果，也是最好度量的，类似于球场上的射手。但这也是我一直强调的，在线的分发虽然非常重要，但它不是全部。
为了提升整个系统的分发效率，我们还需要综合考虑数据的应用、供给的优化、人群的定向挖掘等然后才能有最终分发效率的提升，而且这个过程当中还会伴随着各种风险的防控和反作弊的策略。所以就最终达到比较好的业务效果整个系统链路是比较复杂和冗长的。有可能系统当前最大的瓶颈还不是分发部分。
大部分情况下，分发效率的提升，必然会伴随着供给侧的优化，也就是b端的优化。例如，在广告系统中，会伴随着广告主侧的优化，包括物料创意等。 例如，百度凤巢的关键词，推荐账户优化等工具。或者是交易型系统中的选货盘货工具。
这些B端的选货，盘货逻辑和在线分发系统的关系，就类似一个传球手和射手之间的配合关系，他们是相互补充的关系。
因为B端的工具一般是优化供给，它能够利用B端离线的丰富的统计数据。而在线的分发系统则主要是面向C端，它有丰富的实时在线的用户数据和场景数据。两类系统互相配合补充最大化B端商户营销交易的目标,C端用户体验的目标和平台收入的目标.
废话了半天，今天我们就来聊一聊B端的选货平台的构建。
选货的重要性
我们经常说互联网三类比较重要的变现手段：交易广告和游戏，无论一个工具或者平台，他是做什么的，最后，他要商业化的时候，都是通过这三种模式。
对于存在交易的平台来说，用户之所以来这个平台，肯定是平台给他带来了特殊的价值。而一般最主要的价值主要是信任感和价格优势。
如何找出对用户有信任感和价格优势的货呢？就需要有对应的选货平台支撑，因为所有的选货逻辑都是人工进行的话，一方面，人工会有其经验的局限性，另外人的精力是有限，货品太多肯定会有疏漏，第三是人工操作可能就会带来对应的腐败，如何通过算法去自动化的，规模化的选货，是非常有价值意义的一个工作。
图：淘宝聚划算展示模式，选出具有品牌效应的折扣商品，让用户对该板块有心智，新用户访问淘宝，提升淘宝的DAU和交易量
而对于美团或者高德这样的LBS生活服务平台，同样需要将具有品牌效应和价格竞争力的商品选出来展现给用户。
实现思路
一般的选货平台中，主要包含以下几个主要逻辑：
- 群组推荐（group recommendation）进行人群圈选，确定平台或者板块主打的人群类别，并且使用群组推荐的方式确定人群的需求或者类目&心智，以便后续进行对应的类目和商品的圈选。
- 品类规划：在很多业务场景中，我们进行选货的目的是为了最大化线上的业务指标收益，但这个过程当中，我们还需要考虑品类的多样性，就和推荐系统一样，我们认为业务指标是短期收益的度量，但多样性是为了提升用户选择的类目广度，它是一个长期收益的度量。为了平衡长短期收益，我们就需要进行品类规划，保证各个类别的占比在合适的水位上。
- 货品选取：当选货的类别和占比确定之后，我们就要进行具体货品的选择。 在进行选择的时候， 需要充分考虑商品的价格竞争力， 品牌能力， 后续商品的趋势等因素。
- 商品评估：然后进行具体的商品选取
- 在线投放和效果回收：之后配合在线的分发投放系统进行商品的投放以及对应的效果回收。
以上就是整体选货的逻辑和步骤。
系统架构
货品选择和线上投放进行互补，需要进行离线选货和在线投放分发的联动。
智能选品， 选品后台和前台流量投放的链路打通， 以人群需求出发， 结合推荐等算法技术， 深入挖掘人群偏好和商品， 类目。 同事对价格力， 销量趋势， 品牌力等进行多维度立体评估， 这样可以让投放链路来撬动极致的供给。
图： 选品平台示意图，通过对品的选择， 人的选择， 结合投放端最大化撬动供给。
人群选品
人群选品解决的问题， 是在不同的场景， 根据不同的对象用户， 主打品牌折扣的心智， 针对货品，场景特点， 主打不同特点的人群， 例如聚划算品质辣妈， 精明主妇， 高德周末遛娃， 出差白领， 货车司机，网约车司机等人群。 基于人群推荐group recommendation 算法挖掘不同人群下的货品个性化供给， 提升目标人群的选品效率和准确性。
该思路其实也比较通用：就是每一个产品或者平台必须要确定其主打的人群，然后对这些人群去用不同特点的货品作为钩子去吸引住这些用户。比如，在电商平台，有一波消费的主力是家庭主妇或者有娃的妈妈，那就要针对这些特定的人群去进行选货；或者在LBS场景周边溜娃会是非常大的需求人群，也可以针对这些人群去进行定向的盘货。
群主推荐的主要思路是根据群组中的个体对item的偏好去计算群组总体的偏好，具体计算的过程当中有以下三种思路:
$group score=\sum_{uj\in G}w{ij}*f_{UI}(u_j, item_i)$
- ADD的思路：该思路下认为，群主中的每个群体成员的重要性都是一样的，所以$w_{ij}$的权重可以设置为1
- Least Misery(LMS):该方式需要避免群体最不容易接受的情况,所以，将$w_{ij}$低分设置为1，其他为0
- MRP: 该方式是将头部的重要人物的权重$w_{ij}$设置为1，其他为0，该方式主要考虑的是意见领袖的倾向，而不考虑大众的感受。
三种方式各有各的特点和倾向，所以在应用的时候，我们需要挑选合适的模式应用到我们的场景中。
更多的细节可以参见群组推荐这个topic的相关研究和进展。
参考聚划算
聚划算的心智， 简单来说就是品牌折扣的心智： 让用户买到品质优惠的商品（to c) 让商家实现用户增长和商业增长( to b)， 对于这样的模式， 核心优势是商品供给， 而商品供给的关键， 在于运营招商， 商家是否愿意参加， 是否愿意给到极具吸引力的折扣， 很大程度上取决于商家在聚划算固定渠道上的流量体感。
其实绝大部分的平台选货都可以参考聚划算的思路。
品类规划
品类规划根据品类整体收益函数$f(x,c)$ 可以得到品类x规划c个坑位带来的预期总收益，品类规划问题， 是希望能够在单坑满足条件的情况下， 尽可能最大化品类宽度。
例如，业务上的指标可能是需要保证各个业务或者行业的成单占比，以及在各个入口的占比。我们可以将业务指标作为具体的约束项，然后将目标设定为在保证业务场景整体占比等约束的基础之上，去最大化品类的数量和宽度。
例如，将问题定义为如下形式：
- 目标：保证业务要求的基础之上，去最大化品类的数量和宽度。
- 输入：总的类目集合，总得资源位坑位数，各个业务的单坑产能。
- 输出： 未来一段时间，每个类目的坑位数。
相当于使用这样的方式将每个类目再接下来一段时间的坑位数进行规划。 可以使用动态规划的方式进行求解。当然求解出来的模式不是最优解，但是具有很强的参考意义。
货品选取
一般情况下，在选择货品的时候，以下几方面是最重要的度量因素：
- 价格力：即价格是否优惠，而且度量的方式是看用户是否真的买到了便宜。例如iPhone可能平常不打折，但某一天他的价格突然降低了300块钱，这其实已经是一个很好的折扣了，我们就说他有很好的价格力；反过来，如果一个商品常年都是打五折，那这个折扣其实并没有什么西引力，因为用户并没有买到真正的便宜。
- 品牌力：指的是这个货品的品牌效应，更多体现的是这个商品的质量保障。还是以iPhone为例，如果官方旗舰店打了一个300块的折扣，因为有品牌的背书，所以对用户购买意愿的刺激其实是非常大的；但如果是一个不知名的小店，她卖的iPhone打了一个300块钱的折扣，因为这个店的品牌效应不行，所以他对顾客所带来的消费刺激也不一定会明显。
- 贡献力：指该商品对平台的收入这贡献。平台需要考虑自己长短期的收益。
- 趋势力：指这个商品是不是能够引领整个平台用户消费的趋势， 是不是应季货品， 是不是新品等。
图：商品选货五要素
整个商品选货的过程就需要围绕以上方面进行。而在具体选货的过程当中，可以考虑以上5因素的综合影响。
以下为更加详细的操作展开介绍
价格力
核心思想就是看用户能不能买到真正的便宜，而真正的便宜的度量可以是多维度的，就要可以包含以下维度的度量：
- 历史比价：这可能是价格最有吸引力的方式了，例如，淘宝双11说，这是全年最低价，虽然可能也就比平常便宜5%，但对用户购买的刺激性爆棚。
- 同款商品比价
- 相似商品比价
- 实时价格变化
品牌力
主要是看用户对品牌的认知程度以及对应的货品的质量保证，主要可以从以下几方面去衡量：
- 热门程度：热门程度体现了用户对该商品的认可程度
- 美誉度/提及度：例如，用户评论的数量和好评的数量
趋势力
主要看商品后续是不是能够引领平台的趋势和成为爆品的可能性。只要衡量的指标可以是：
- 预测的销量
- 是否为应季的商品
- 新特奇的程度
综合以上的维度以及人工运营的市场需求，最终对货品进行盘点。
选货完成之后，相当于是对这些货品打上了特殊的高阶标签，这个时候需要对接线上的投放系统进行分发，根据预先定义的标签，所投放的入口以及规划的坑位，投放的时间去展现给特定的用户群体。此时就要求选货系统和线上的分发引擎是打通的。在很多场景选货的维度非常多，同时选出来的货也会多种多样，此时如果将所有的货品的标签都同步到线上，全量同步会给线上索引投放系统带来巨大的压力，此我们可以跟线上引擎有联动，仅同步有diff的部分减轻线上系统的压力。
总结
离线对于货品的选择，是整个系统对攻给重要的分析以及处理，是整个系统必不可少的部分。
我们可以利用离线的丰富的数据以及人工的经验去对货品进行选择，然后配合在线的实时场景的预估去进行分发，从整体系统的角度去最大化用户体验以及收益。