在电商领域，亚马逊的推荐系统是个标杆，通过对商品的关联性分析向客户推荐其可能感兴趣的其它商品，贡献了30%的销售收入。而1号店正尝试超越这一标杆，1号店副总裁兼CTO韩军在商品关联性推荐的基础上，根据1号店的客户特性，基于对客户个性和品味的精准分析，正尝试通过用户画像系统，为每位客户打造一个因时因地不同的完全个性化的全站推荐体系。

从智能定价开始

电商企业都遵循以客户为中心的原则，从3年前开始，韩军便开始构思一套智能定价系统，以使1号店获得在不同时间、不同地点根据客户需求快速调价的能力。一方面为应付电商行业日渐频繁的促销价格战，也为了在改进客户体验的基础上保证企业利润。

经过3年的不断磨炼和改进，如今1号店里已有80%品类的商品都通过智能定价系统自动定价，目前能每小时完成100万SKU的调价，尽管系统仍在继续完善中，但已成为让1号店的IT部门非常引以为豪的一个系统。

这种快速调价的能力在各大电商通过促销活动打价格战的时候非常有用。目前1号店设置调价规则的有效命中率是40%SKU,也就是将15万商品同时调整至合适的价格。在双11或是双12促销期间，1号店通过智能定价系统对竞争对手和自身的历史价格和销量、商品的进价、库存、采购折扣、毛利率、不同商品的价格弹性指数等做对比计算，把计算结果反馈给系统，系统则不断根据这些价格变化和计算结果去调整价格。

“其实没有一个最好的价格，调价的过程就是不断尝试的过程，因为竞争环境在不断变化，价格也应该是一直变化的。”韩军说，在智能定价系统的计算逻辑里，价格是一个定时事件，也就是说系统只确定在一定时间内这个价格是不是合适的。

另外，调价并不意味着一定降价。1号店所定义的智能定价，其概念更多在智能，而价格实际上有升有降，其基本原则在于客户体验最优化和商业价值最大化。“有些商品的价格低到一定程度的时候，他的销售不再具有弹性，实际上这种降价对于企业来说已经没有意义了。”韩军说。

整个智能定价系统包含了非常多的数据模型，适应不同状况不同品类的产品调价。而整个系统也由不同的几个系统组成，包括商品定义系统、跟踪分类系统、品类分析系统、单品分析系统、价格策略管理系统、销售预测系统等，还包括了一些捆绑销售的方法和业务逻辑，所有这些组成了一个完整的定价体系。定价也分为自动和半自动两种模式，目前1号店有80%以上的商品采用自动定价，其驱动力一是时间，一是事件。现在1号店参与调价的商品销售获得了2.93%的增长，占比增幅达38%。

推荐无处不在

在韩军的计划中，智能定价系统继续往前发展，下一步则是个性化推荐系统，目前1号店已有20%的收入来自于推荐系统实现购买。从去年底开始，韩军带领IT部门开始发展用户画像系统，以求在原本通过关联度算法来作个性化推荐的基础上，进一步通过用户画像来获得更全面的个性化推荐。

“基于商品关联度的个性化推荐最早是亚马逊推出的。在刚推出这种业务逻辑时是比较合理的，你买一本书，这本书的作者其它的书你也可能感兴趣，如果这是本炒股书，那么其它的炒股书你也可能感兴趣。这是关联度推荐方法的业务逻辑。”韩军解释。

但当他把这种关联度推荐法引入1号店的经营时却发现很多品类并不太适合这种模式。“很多客户其实是根据自己的品味在买东西，而不是仅看商品的关联度。”对于有小孩的客户推荐婴儿用品这种关联度算法还可以奏效，但如果客户喜欢特斯拉汽车，那他可能在1号店会买星巴克的产品或是名贵品牌的包，这种就是完全基于品味的选择，通过商品关联度所做的个性化推荐命中率很低。

“对于这种基于品味的选择，你如果能提取出他的个性化特征，根据他的品位推荐他可能喜欢的日用品，比如某种档次或价位的空气清新剂，这样成功率更高一些。而不是他买了一个包，你再给他推荐一个类似的包。”韩军说。

1号店目前有3亿多的独立用户ID，对应大概100T的数据，并且这些数据将来还会成倍数的增长。个性化推荐不仅涉及到用户特征分析，也涉及商品特征分析，而最终形成推荐结果还要涉及到对内容优化、销售额分析、毛利和常规的商品销售等多种因素的分析。

“我们发现，一个用户如果在1号店的网站上买多个品类的商品时，他的忠诚度是很高的，他买的品类越多忠诚度越高。因此我们把用户画像和商品基因关联起来，中间有一个专门的数据平台和算法平台，融入不同的商业规则做引擎，最终得出推荐结果。”韩军说。

现在比较热的还有韩军正在花大力气发展的实时引擎系统，它的设计逻辑是这个时刻的客户和上一个时刻的客户不是同一个人，某一个状态下客户对某一个东西有热爱，但过了5分钟之后通过脑电波分析会发现这个热爱已经消失了。所以这种实时性非常重要，在此基础上再发展其它的规则引擎，从技术上讲就会比较简单。

整个系统框架的设计涉及了人口统计学的一些信息，包括客户的性别、年龄、地理位置、职业等信息，另外还包括兴趣，包括不同的品类、品牌、消费档次、客户作购买决策时是促销型、犹豫型、决策型还是组合凑单型，还有对客户忠诚度的分析，包括购买时间、频次、访问时长和深度等。

基于这些不同的维度，1号店与很多外部的数据供应商进行紧密的合作，争取获得尽可能多的全路径的用户数据，然后这些数据被纳入系统的不同场景和不同算法中。目前1号店的IT部门已经为用户画像系统梳理出400个标签，远高于一般CRM的20～30个标签，这将客户品味的人性化细分到很高的程度。

在韩军的计划中，用户画像系统被应用到比较好的一个状态时，不同的客户在不同的时间、地点进入1号店，看到的界面和商品及价格都是不一样的，是根据客户当时当地的场景做成完全个性化的推荐。这被他称为全站推荐化，即网站上所有的栏目都有推荐，推荐无处不在，这被他看作是最适合移动互联网时代特征的一种商业应用，“最后的结果就是客户会更喜欢打开1号店的APP，更喜欢在上面购物甚至浏览。”

目前，支撑1号店数据分析运算的是大量基于Intel E5-2600V2系列处理器的服务器。在韩军看来，个性化推荐未来会越来越精细准确的发展，为此，他正在打造1号店的私有云系统，到明年上半年私有云加公有云的混合云完全打造完，就可以发展电商云，将1号店的电商系统分享给整个生态链上的企业使用，以技术提升整个生态系统的商业价值。（文/周应）