编辑导语：电商搜索从狭义来看，是电商平台的商品搜索。在上篇文章里，作者从三个角度讲述了什么是电商搜索，阐述了提升搜索UV占比的策略和提升点击率的前端产品策略。本篇文章里，作者从召回和排序两个环节对提升点击的后端产品策略作了介绍，一起来看一下。

在《提升电商搜索GMV产品策略之浅见（之一）》中，我们从三个角度看电商搜索，然后将搜索GMV从交易路径的角度进行了分解为=网站UV*搜索UV占比*点击UV占比*购买UV占比*客单价，然后重点阐明提升搜索UV占比的策略和提升点击率的前端产品策略。

本文讲提升点击的后端产品策略，主要从召回和排序两个环节进行阐述。

要提升搜索点击率，不仅要供应链提供丰富的好商品，系统能将商品搜出来（召回策略），还要将好商品排在前面。否则用户可能不愿意继续往下看而放弃，也会影响点击率。

搜出来是召回问题，将好商品排在前面，是排序问题。

一、电商搜索召回策略

搜索的召回主要有字符表层匹配的召回和深度理解的召回。前者根据用户的搜索词和商品进行匹配，根据命中程度召回。在电商领域，参与召回的字段主要有商品标题、卖点、亮点、核心属性，在发生无少结果的时候，商品的品类也会参与召回。同时针对上述字段的同义词、近义词、上下位词、俗称、别名等也需要事前建立知识词典，参与召回。

在上述召回及改写之后，如果召回结果依然比较少，甚至没有的情况下，进行改写和丢词召回。

与基于表层字符完全匹配的召回不同，基于深度理解基于语义的深层理解，而不需要在字符表层匹配的约束下，进行召回语义匹配的商品。这种方法是通过构建Query和商品向量，计算两个向量之间相似度得分进而确定二者相关性，其原理可以参见：https://www.jianshu.com/p/7d4c65a66cac。

在实践上，我们可以参见京东电商搜索中的语义检索与商品排序：https://www.6aiq.com/article/1591222526206

这样，query=‘2-3 周岁宝宝玩具’可以召回 ‘托马斯小火车’这样的商品。

另外，对于多渠道融合的电商而言，在商品来源设计基于商品分级的多路召回：每一路召回给予一定的配额。

• 优质好货（XX%份额）；
• 拼购好货（XX%份额）；
• O2O货（XX%份额）；
• 通货打底（XX%份额）。

同时在召回之前，还要进行可售性校验：校验商品的可售属性，如果商品没有达到可售或者流量分配前置条件，将不被召回。

• 有价校验：召回的商品必须包含价格，没有维护价格的商品不可能产生销售，不被召回；
• 类目校验：召回的商品必须包含类目，流量分配都会用到商品的类目，没有类目的商品不被召回；
• 销售范围校验：召回的商品必须维护销售范围，没有设置销售范围的商品寻源上无法定位，不被召回；
• 上下架校验：召回的商品必须是上架商品，下架的商品不被召回。

商品信息更新

• 实时更新：上下架、库存、价格、销量、订单量、类目、属性、标题、卖点、图片进行实时更新；
• 增量更新：新发布商品按照增量更新机制，根据各个公司的系统能力，有秒级更新和分钟级更新；
• 全量更新：凌晨跑平台全量数据进行更新。

二、搜索排序策略

我们先看排序的金字塔式的结构：

• 类目模型：搜索词意图与商品类型一致性强弱，比如搜索词“手机”，与搜索意图相关的商品是手机，而不是手机配件，不如手机壳，手机电池等即使每天搜索量、成交GMV都比手机多的品类商品。
• 文本模型：从文本角度计算Query与Item之间精准度（相关性）得分；
• 传统方法：命中关键词个数、命中字段类型、命中的顺序、关键词重要性等有关，精准度优先级；
• 精准匹配：优先词序一致的商品（优先无颠倒、无拆词、无空格）；
• 扩展匹配：扩展到同义词、近义词、相关词；
• 中心匹配（无少结果丢词召回）：所有关键词精准匹配无法满足时，根据主关键词匹配；
• 补全匹配：经过中心匹配还无法召回商品，根据三级类目召回商品；
• 深度学习方法：计算语义相似度得分；
• 供应商模型：通过店铺的流量、转化、服务、售后四维度表现来决定店铺等级；考核项目主要包括：日均流量规模、沉淀的粉丝规模、上新率、售罄率、滞销商品数、滞销占比、询单转化率、物流时效和纠纷自解决能力；
• 服务模型：评价店铺的服务能力，考核项目包括；
• 客服服务能力：在线客服时长、客服响应时长（45S响应率）、客服接通率、客服满意度；
• 物流：24小时及时发货率、延迟发货率；服务专业水平：询单转化率；
• 售后服务能力：退货率、退货及时率、退款率、退款及时率；
• 投诉处理能力：投诉率、投诉及时完结率、退款纠纷率；
• 公平性水平：纠纷介入率；
• 评价模型：衡量商品的评价质量；
• 评价数、评价率、好评率、差评数、差评及时回复率、视频评价数、图片评价数、中差评治理率；
• 人气模型：衡量商品受用户欢迎程度；
• 销售量、销售额、加购量、关注/收藏量、曝光点击率、订单转化率；
• 个性化模型：单纯人气模型不足，主坑位爆款多、客单价低、搜索结果丰富性差；采用个性化，人货场互动+商品标签+用户标签，匹配更精准变现更强。

1）搜索个性化

在策略上根据行为的强弱使用三种方式的个性化，分别是：

① 强互动的个性化

搜索核心人群（人货发生过直接交互）：系统对N天内浏览/点击/收藏/关注/成交的店铺/商品的粉丝搜索时，提升该店商品排名。

提升幅度视商品质量、商品与粉丝画像及搜索意图的匹配程度而定，搜索曝光量优先倾向店铺优质粉丝，店铺优质粉丝越多，店铺额外获得的流量越大。

② 弱互动的个性化

搜索潜在人群（人货无直接交互）：系统向同类店铺的粉丝扩散，或者向类商品（类目相同、品牌定位相同、价位相同）的粉丝扩散，扩散人群称为本店铺/商品的潜在人群，扩散程度根据曝光产值来伸缩。

③ 无互动的人货画像匹配的个性化

品牌、品类、性别、年龄、区域（市场）、购买力偏好、功能属性等人货匹配程度。

2）个性化的交互设计

个性化不仅体现在流量分配策略上，也可以体现在交互设计上，这些措施包括：

① 货品记忆：拼单过的品、拼过的店。

② 现场记忆：比如系统记住了上次搜索词。

3）个性化维度

行为密集的个性化比较好做，比如高频业务的个性化主要以用户行为作为线索理解用户的潜在意图，进行基于意图的直接推荐和新颖性发散推荐。

对于行为稀疏（业务特性）主要采用群体差异化（旅游业务、租房业务、家电3C电商业务、二手车业务），这些个性化维度包括基于人群、地域、渠道、城市分层、场景进行用户聚类，按照聚类出的群体设计差异化的策略。

• 基于地域的差异化：地域范围的消费偏好、品牌偏好等；比如东北地区搜索：羽绒服，应该出比较厚的羽绒服排在前面，深圳的用户搜索：羽绒服，应该出比较轻薄的羽绒服。
• 基于人群：城市白领、高校学生、高端人群、小镇青年、Z世代。
• 基于城市：一线城市（核心区域）、新一线城市、二线城市。
• 基于渠道：主站APP、快手渠道、微信渠道、头条渠道。
• 基于场景：促销场景、营销产品、新人场景。

三、搜索B端支撑工具（给供应商使用）

给供应商开放的搜索数据包括：搜索数据、搜不出来原因，排名情况和排名不佳原因诊断，以及提升方法。

排名诊断和排名提升方法开放都比较晦涩，猜想主要是基于系统规则不方便直接告诉商家，所以存在淘宝运营大学和京东培训第三方服务机构（京东书生公众号可以查这方面信息）存在的价值。

下一篇讲电商搜索的场景和动线。场景和动线对用户完成消费引导，提供身临其境的消费环境，这方面在线上阐述的比较少，我主要谈谈个人的一点思考和行业的一些案例。

大家对文中策略和观点有什么看法和意见，欢迎评论区留言讨论。

#专栏作家#

毛新年，公众号：资深电商专家毛新年，人人都是产品经理专栏作家。起点学院讲师，2021年B端产品经理大会演讲嘉宾。主导搭建主流电商平台搜索推荐商品三大体系，熟悉电商平台策略-产品-运营-数据及研发各环节。

本文原创发布于人人都是产品经理，未经许可，禁止转载

题图来自Unsplash，基于CC0协议。