淘宝的超级推荐和直通车有什么区别

淘宝的超级推荐和直通车的区别是流量渠道不同、推广主体不同、推广位置不同、转化周期不同。1、流量渠道不同：一个主动搜索一个被动展现。直通车是搜索式流量，属于人找货。超级推荐是推荐式流量，属于货找人。2、推广主体不同：直通车推的是单品。超级推荐除了能推单品，还能推图文，短视频，直播，淘积木商品卡片等等内容。3、推广位置不同：直通车的推广位置就是在买家搜索后的结果页面。

一、淘宝的超级推荐和直通车有什么区别？

1、流量渠道不同：

一个主动搜索一个被动展现。

直通车是搜索式流量，属于人找货。超级推荐是推荐式流量，属于货找人。

买家查看了某款产品或是查询了某个关键词，系统就会为其打上一个标签，然后主动展现符合该相关标签的产品。

2、推广主体不同：

直通车推的是单品。超级推荐除了能推单品，还能推图文，短视频，直播，淘积木商品卡片等等内容。

3、推广位置不同：

直通车的推广位置就是在买家搜索后的结果页面。

超级推荐的推广位置就覆盖的比较全面了，比如首页购中购后的猜你喜欢，有好货，收藏夹和购物车的页面等等。

4、转化周期不同：

直通车的转化周期相对短，因为买家带有目的性的去搜索，所以只要产品竞争力够再配合上直通车的精准优化，快速形成下单不是问题。

超级推荐的转化周期相对长，不过他成本低还有持续追踪的能力，可以很好的提高买家的购买意愿。

所以只要你玩转了人群标签，产品的爆发也是指日可待。

二、为什么超级推荐转化越来越低？

1、标签

淘宝在移动端的流量占有非常大的比重，从我们对流量的源的分析中不难发现，都是手淘的流量排名靠前。尤其是你想要的展示方式。

而你所想要展示的就是与你所想要的标签相关，假如手淘带来的流量不够精确，就要去思考是否是店铺的标签混乱，从而造成了转化的降低。

还要对这家店的顾客群体进行分析，看看他们的消费水平和喜好有什么变化，如果有什么变化，他会立刻做出相应的调整。尤其是在某些场合，最后的贴纸很可能会让人看不懂。

我们可以用直接销售的方式，来进行针对性的宣传，也可以针对那些忠实的客户，来进行促销，增加他们的点击率，提升他们的点击率。

2、同行

要在淘宝上销售好的宝物有名次，必须要有合适的同类产品在进行竞争。

如果转化速度骤然降低，会不会是同类的商品上去了?如果是的话，那就需要分析一下对方为什么会这么强，找出自己的不足，和其他竞争对手的差距，做出相应的调整。

假如有许多同类的关键字排名超过了你，那就把该字扔掉，换成其它有竞争力的关键字。

3、评估

顾客在购买商品时，一定要查看评论。要是有个不好的评价，肯定会对转化有很大的影响。

商业可以指导顾客打出五星级的评价。对于那些负面评论，可以通过理性的方式与用户交流，也可以通过赔偿、赠送等方式让他们删除。要是出了问题，那就得对后续的货物进行严密控制。

至于为什么会有人给出差评，那也要看看有没有问题，有没有问题，有没有问题，有没有问题。

假如是恶毒的商家，目前淘宝上已经有了一种针对恶毒评论的软件，最好的办法就是给它加上一个云端的标签，不过要提前和它联系好了。

4、定价

商品的售价，会对商店的顾客产生一定的影响。要是店里的商品种类太多，又或是频繁搞促销，那就会造成顾客层次不齐，从而影响转化。

这时候，他们要么把产品的售价降到正常水平，要么就用直接销售的方式，吸引更多的顾客。

豆瓣图书评分和推荐靠谱吗？ —— 一点数据分析的视角

模糊聚类分析是聚类分析的一种。聚类分析按照不同的分类标准可以进行不同的分类。就好像人按照性别可以分成男人和女人，按照年龄可以分为老中青一样。聚类分析如果按照隶属度的取值范围可以分为两类，一类叫硬聚类算法，另一类就是模糊聚类算法。隶属度的概念是从模糊集理论里引申出来的。传统硬聚类算法隶属度只有两个值 0 和 1。 也就是说一个样本只能完全属于某一个类或者完全不属于某一个类。举个例子，把温度分为两类，大于10度为热，小于或者等于10度为冷，这就是典型的“硬隶属度”概念。 那么不论是5度 还是负100度都属于冷这个类，而不属于热这个类的。而模糊集里的隶属度是一个取值在[0 1]区间内的数。一个样本同时属于所有的类，但是通过隶属度的大小来区分其差异。比如5度，可能属于冷这类的隶属度值为0.7,而属于热这个类的值为0.3。这样做就比较合理，硬聚类也可以看做模糊聚类的一个特例。你说的动态模糊分析法我在文献里很少见到好像并不主流，似乎没有专门的这样一种典型聚类算法，可能是个别人根据自己需要设计并命名的一种针对模糊聚类的改进方法，这个不好说了就。我见过有把每个不同样本加权的，权值自己确定，这样就冠以“动态"二字，这都是作者自己起的。也有别的也叫”动态“的，可能也不一样，似乎都是个别人自己提出的。至于文献，你可以到中国知网搜索博士或者硕士毕业论文，有关模糊聚类为题目的，在第一章引言里面必然会有详细的介绍，或者联系我，我就是做这方面的。希望能对你有所帮助，给点分吧，打的挺累的。

豆瓣读书的评分有非常非常明显的分野，具体是哪个时期我没有详细考证，但豆瓣的老用户，尤其是经常使用豆瓣读书的用户都应该有个类似的体验：某一天，你在豆瓣读书上的新书推荐看到了一本貌似很有意思的，评分很高的书。你把它买回家，读后却非常失望。至此，你突然意识到，某个时期之后出版的新书，它的豆瓣评分都是不可信的。

譬如《未来简史》这本书籍，我之前看过这部书，觉得并不好看，对不起8.5的高分。看了goodreads，发现评分也只有3.69星 ，并不像豆瓣这样高（图一），就国内外对此书评价差别还挺大的。

而且，在亚马逊上还能看到截然相反的短评，有的人觉得这是“靠谱的未来预测”，有的却说这本书籍"哗众取宠，没有科学支撑" （图二、图三）

另一方面，豆瓣上同样8.5分的书籍，比如《九故事》，《悟空传》，《庆余年》，我都觉得挺好看的，goodreads也都达到了4.15星的水平。于是就有疑问，豆瓣书籍的评分是否可靠？会不会存在一些很多书籍的评分不中肯，影响的因素主要是哪些？针对此，我选取了部分不同年代，国内外不同出版社的不同书籍做了对比。

1. 数据概况

选取2001-2017, 国内出版 的书籍。限制豆瓣评分人数在2W以上，一方面讨论大家较为熟悉、主流的书籍，另一方面也尽量减少水军等的影响。总共997本。通过借助中信云机器学习平台，我们对其中书籍的评分做了比较和展示，其评分分布图如下（图四）：

包含了很多我们耳熟能详的书籍 ，比如围城、肖申克的救赎、百年孤独等等（下图五）。

同时，我们通过应用中信云机器学习平台，对包含中信图书出版社在内的其它出版社出版的小说书籍，做了方差和评级分布图（如下图六所示），我们可以看到，中信小说的评分方范围在7分以上，STD差距主要分布在1.5-1.75之间，那让我们来看分析一下，到底评分的差异来自于什么？

2.评分的差异

2.1 未来简史VS时间简史

以上两本书（图七）的评分为例，两者评分相同，评价人数也很多（6K, 18K），但4星和2星的比例差别很大。什么意思呢？

● 时间简史：大家都觉得不错，所以评分集中在了4星

● 未来简史：同时有不少人觉得不错/较差，在2星和4星有不少的分布。

也就是说， 尽管两者（平均）分数相同，但是背后的看法非常不同，评分差异很大， 这也正好对应了上面，未来简史出现两种截然相反的热评的情况。

2.2 怎么衡量评分差异

评分分布的差异，可以用方差来衡量，计算方法如下：

也就是计算 评分偏离平均分的程度? 。下文使用标准差（STD），方差开方即可。可以做出标准差（STD） - 豆瓣评分（Rating ）散点分布图（图九）。为了便于比较，做标准差97%范围线。

可以看到时间简史和未来简史的STD差别确实很大，未来简史的标准差排在前3% ，争议性是巨大的，而时间简史则小很多。那么我们可以设问

这些小说的分数相同，但同样好看/不好看吗？

比如，时间简史和的未来简史分数一样，但他们一样好看吗？

当然不是。

如前面的比较，未来简史虽然评分较高，但其4星/2星和时间简史差别很大。为什么呢？大家可能早有耳闻，看评论也能看到。通常，我们总是在讨论一本书籍评分的高低，只是平均分，当大家看法一致的时候，这个分数会很有参考价值。如果 当评分差异很大（STD很大）的时候，这个分数的作用就有限了。

3.类别的差异

对于同一类别，不同的出版社，评分和标准差之间存在较大的差异，那么，对同一出版社，不同类别的书籍的评分，会有多少种形状呢？我们选取了中信出版社的图书部分做了数据分析，用K-Means，输入数据为四个评分等级的比例。实际可以把类别分得很细，这里简单分成4种，比较有代表性，结果如下（图十、图十一）

需要注意的是，高STD的书籍因为其形状差异很大，并不适用于进行分类判定。

从上图看出，在每个形状下，也能看到STD高/低的书籍，比如人人都该买保险 ，二手时间 等等，综合来看，中信出版的图书在评分的7.6-8.8的书，STD都是比较稳定的，没有波动特别大的情况，所以类别之间的评分差异其实相差也不大。

4. 爆款图书评分的差异

我们针对中信出版社的历年舆情变化，图书爆款做了类比（如图十二）。

爆款数量变化如下图（图十三）

从图十二、图十三我们可以看到，中信出版社历年爆款图书大致呈正态分布，说明使用的数据量基本足够。各个年代的爆款数量并没有一定的规律性。那对应的爆款书籍舆情分布又是怎样呢，如下图十四所示，

上图显示， 中信爆款书籍的STD展示效果主要集中在1.3-1.6之间，对于这部分书籍我们取出部分在图下进行了书籍展示（如图十五）

从上图可以看出， 经典书籍 的评分和STD高度相关，评分高，STD会比较低。也就是说，尽管书籍评分是非常个人化的事情，每个人对书籍的评价会有所差别，但是放到豆瓣的大用户量下，评分的大众性很强，经典书籍的评分STD还是很小的。也就是说，书籍的评分和出版的时间，爆款的程度没有正相关的联系。

5.评价差异最大的书籍是什么？

从上图我们看到各个评分的STD都有高有低，那么我们看一下STD的最大临界值是怎样的一个情况，从样例中，我们进行了STD差异最大的书籍进行了筛选，如下图所示：

评价差异大的原因可能来自多个方面，这里我们就不进行讨论了。

6.搜索内容相近书籍和评分是否准确？

大家如有看过兰大的高手寂寞之类的书籍，是否会有想继续找一些在内容和评分，以及评级上都能够与之媲美的书籍？豆瓣本身是有推荐机制的，如下图所示：

我们可以看到，豆瓣关联推荐的书籍，在评分、评级、内容上有些和目标书籍相差有些大，为验证评分和评级的相似性，我们在中信云机器学习平台上，对豆瓣图书进行相似度建模，通过word2vec解析，来找到和目标书籍内容，评级，评分等最为接近的书籍。

例如输入硅谷钢铁侠，我们通过对硅谷钢铁侠的数据标签进行建模解析，查出最接近此书内容的词云如下图（图二十一）所示。

我们从豆瓣查出两本书的评价情况，评分和评级构成都是极为相似。

在推荐的时候，查询鞋狗，第一关联也是能看到硅谷钢铁侠名列前茅，豆瓣的推荐和机器学习实测的推荐是相吻合的。

总结

豆瓣的图书评分，大家都知道是显示的平均分，也都能看到分数的分布情况，在大多数情况下，这个平均分是有效的，因为大家的评价较为接近（STD较小），但是很少有人注意到评分的分歧大小（即STD的大小），当看到一部STD很大的书籍， 平均分和我们感受不符时，我们会感到疑惑，进而觉得豆瓣的评分不靠谱，实际上，只是因为人民的评价差异太大（STD太大），使平均分的意义变得有限了而已。

豆瓣的图书推荐，通过对目标图书的内容标签，评分构成和区间等进行综合对比，从而推荐和目标图书最相近的书籍，从目前的机器学习测量样本数据观察，这个评分是比较准确的。

最后，分析有什么疏漏，或者没讲清楚的地方，也欢迎大家指出~

安利一下: 中信机器学习平台 ， 有兴趣的朋友可以注册登陆试用一下。

鹏仔微信 15129739599 鹏仔QQ344225443 鹏仔前端 pjxi.com 共享博客 sharedbk.com