排序與搜索是引導用戶的風向，也是獲得良好的用戶體驗的一大關鍵。本文對排序與搜索的邏輯與發展進行分析，更好地構建商品信息識別的架構，希望對你有所幫助。

排序與搜索是用戶快速觸達所需信息的通道，也是引導用戶走向的風向標，帶給用戶更好的體驗。

• 引導：指引用戶向某個目標行動，在行動上幫助用戶走捷徑
• 搜索引導：幫助用戶更快的完成搜索過程，找到需求目標信息
• 執行結果：幫助用戶找到所需商品，并達成交易完成轉化

01 執行搜索的核心目標

幫助用戶明確搜索意圖、節約用戶搜索時間、提高搜索體驗、實現更高效的用戶與商品/商家的連接，進而獲得更高的營收轉化。

在推薦的歷史長河里，從以前的市場采購，當采購者表達了自身的采購需求屬性后，業務員會根據需求，推薦相同性價比，材料的產品，任其挑選。

而采購人員也會逛一逛就近的相同商店，進行貨比三家，尋求最合適的性價比，直到網絡時代的誕生，由線下轉為線上，從傳統到現代，從局限性到可選擇性廣闊。

1. 最初期/早期——人工排序

早期的推薦產品，主要靠平臺運營人員，依靠業務知識進行手工配置，策略投放也是基于場景相關性的固定位置展示;。

這一階段主要出現在產品或場景構建初期，這時候條目量較小，主要是運營進行條目的篩選與選取，根據這些商品的點擊、轉化、訂單數據進行排序，這時候往往此場景只有一份條目排序，用戶訪問此場景時，將會“千人一面”地展示這些商品。

當然也會從業務角度選取重要且區分性較大的維度，窮舉并構建若干列表；舉個例子，比如不同地區，不同性別需求會有差異，比如美國人和英國人，男性和女性對于商品、需求都會產生差異化。

人工排序：由運營手動調整商品的排序，當SKU少的時候，小百個的情況下，人工運營不算繁重，但是一旦商品量起來，有幾萬商品時候，會變得茫然無措。

當然人工推薦和干預也不是一定存在弊端，在未來的很長時間都會繼續存在，因為某些突發性的事件和時事熱點在沒有好的輿情監控體系下（如果有，可以借助此來做推薦），還是需要人工干預，因為熱點帶來的推薦效果也是很高的。

自然排名的三點要素：

“熱、快、全”先做熱、后做快、再做全，其中熱指的是通過某幾個維度選取并排序，快主要是考慮時間，全指的是個性化，熱是實時熱點。

熱門推薦簡單的方式，可生成多維度的熱門數據，熱門數據有各種排行榜，比如點擊的排行榜，購買排行榜等。當客戶需要熱門推薦的場景時可把熱門推薦生成的結果直接返回給客戶，另一方面，熱門推薦也可以捕捉一些場景，比如處理冷啟動；熱門推薦的結果通常有一定理論依據，比如按購買、銷量排序其實也是很多人容易接受的方式。

在C端電商購物中，先根據用戶點擊率、頁面停留時間、購買次數、綜合考慮排序，要讓大部分用戶喜歡的產品排在前，但是“一千個讀者心中有一千個哈姆雷特”，不可能有一個讓每個人滿意的排序。

大部分品類默認最佳的排序，應該是一個考慮了銷量、庫存深寬度、新品、價格區間等若干個因素的權重，最后進行綜合算法的排序。當然也有電商會將多種常見商品排序枚舉給用戶，把選擇權交給用戶，比如“銷量、新品、價格、人工”等。

• 按銷量：對某個時間窗口內（近一個月、近一周等）賣得好的商品，這里會讓新品幾乎沒有任何機會得到展示，馬太效應較強
• 按新品：按商品上新的時間排序（按上架時間）
• 按價格：用戶的購買力差異大，所以每個人對價格有不同的訴求，按價格排序
• 其他維度：（評論，收藏等）其它相關產品訴求

前期產品推廣冷啟動，沒有足夠的數據積累，熱門排序以時間+人工運營結合排序，即新上架的排在前，隨著中期數據積累及產品健全。

綜合人氣指數排序：

人氣排序（按綜合指數）則多維度考慮，前期“按時間順序積累一定數據后”，“中期用戶喜歡的產品”(即轉化率高的產品排在前面，轉化率高相當于詳情頁內評論、商品屬性等信息對用戶有吸引力), “后期在物料(如商品)數量積累到一定程度”，在「兼顧用戶體驗」的基礎上，可以考慮「毛利率」，用戶在信任該平臺的時候，就可以推出「轉化率＋毛利率高」的產品，默認排序是轉化好及毛利率高的商品排在前面。

影響商品綜合排序的因素有：單位時間的轉化率、點擊率、成交量、好評率、收藏量、退貨率、上下架、單位時間的銷量排名、復購率、頁面停留時間、瀏覽量、SKU的齊全率、收藏排名、活動類型（滿減/滿返/折扣）、庫存等，根據結合自己的平臺列出影響商品排序的因素。

用戶輸入了搜索詞，系統通過搜索詞找到與搜索詞相關的商品信息，系統通過用戶及商品的情況進行排序后展現給用戶。

語義搜索中，不單單考慮詞維度的精確匹配，而是語義層面來做。增加搜索結果的相關性，提升用戶體驗外，也可以一定程度上遏制商家商品標題堆砌熱門關鍵詞的問題。

搜索與檢索溯源：

商品信息=圖片+標題+屬性+交互（主圖，圖片內容），檢索項包括但不限于；

商品名稱=商品標題、副標題，商品描述，商品參數、規格，商品品牌，商品品類，別名關聯商品類型；

遵循A9算法中，搜索、瀏覽、推薦；

1、系統通過算法學習模擬，從用戶第一次進入展示系統默認的樣本，到第一次搜索關鍵詞，或，點擊瀏覽了某一個商品，從此刻起，開始有了第一個推薦標簽；

2、根據用戶最近時間的瀏覽行為，或最近綜合數據，最終實現，從手動排序的-【千人一面】到系統智能算法推薦【千人千面】，也是更好的引導用戶的走向，帶給用戶更好的使用體驗。