40 подписчиков
ПОИСК
На схеме показан алгоритм работы поиска на Wildberries. Основные инсайты для продавцов по механике работы:
1. Оффлайн векторизация – Это важный элемент алгоритма, где карточки товаров (Cards) подвергаются векторизации. Этот процесс помогает системе быстрее и точнее находить товары по запросам пользователей. Векторизация позволяет товарам «понимать» их место в поисковой системе, и это значит, что хорошо оформленные карточки с полными данными и характеристиками имеют больше шансов быть ранжированными выше.
2. Онлайн и оффлайн ранжирование – Товары проходят несколько этапов ранжирования, включая оффлайн (на основе предварительных данных) и онлайн ранжирование (на основе активности и запросов пользователей). Это означает, что кроме базовой релевантности, поисковая система учитывает поведение пользователей в реальном времени.
3. Персонализированное переранжирование – Система делает акцент на персонализированное переранжирование запросов, что предполагает, что алгоритм учитывает предпочтения конкретного пользователя на основе его истории действий и поиска. Это ключевой момент, так как товары, адаптированные под целевую аудиторию, могут показываться выше.
4. Майнеры – Процесс отбора и фильтрации данных по запросам. Он также включает в себя "оффлайн фильтр" для формирования так называемых "пресетов" – предварительных настроек для поиска. Селлерам полезно знать, что пресеты могут содержать определенные фильтры и параметры, влияющие на видимость товаров по определенным запросам.
5. Контекстное групповое ранжирование – Этот элемент схемы показывает, что поиск использует группировку данных (S-shards), что помогает системе разделять товары по разным критериям: "тяжелые" (Heavy S-shards), "легкие" (Light S-shards), и "контекстные" группы. Чем больше информации о товаре, тем лучше для системы его понимания и отображения в нужных запросах.
6. События и каталог – Это шаги, которые показывают, что система постоянно отслеживает действия пользователей (через события, такие как клики и просмотры) и обновляет каталог на основе этих данных. Это говорит о том, что активные и популярные товары имеют больше шансов быть выше в результатах поиска.
7. Kafka и User Info – Эти элементы связаны с обменом данными и аналитикой на уровне пользователей. Kafka собирает данные о запросах и действиях, которые затем используются для улучшения персонификации и предсказания предпочтений пользователей. Продавцы могут улучшать свои стратегии, если будут активно следить за поведением пользователей, отзывами и рейтингами своих товаров.
Основные выводы для продавцов:
- Важно оптимизировать карточки товаров с акцентом на описание, характеристики и фотографии, так как система активно использует эти данные для векторизации и ранжирования.
- Также, благодаря динамическому ранжированию и персонализации, важно мониторить и оперативно реагировать на изменения в поведении клиентов и адаптировать свои предложения для разных целевых групп.
Как видите, отслеживать оперативные показатели очень важно, от них напрямую зависит, где ваш товар показан в поиске. Мы для этого пользуемся сервисом WBLeads, с ним держим руку на пульсе по каждому артикулу, и решаем трудности с поисковой выдачей сразу при её возникновении. Ибо всё завязано на простых алгоритмах...
источник схем:
2 минуты
16 октября 2024