01搜索就像你去 4S 店选车
举个例子,你去 4S 店想买一辆黑色的宝马 X6,销售人员查阅库存后告诉你店里没有黑色的了,只有雪山白你要不要?你在犹豫到底买还是换一家时,销售人员开始给你洗脑,说雪山白颜色雅致,适用于多个场合,也保值。你心动了于是买下了雪山白的。
这个例子中,你去买黑色宝马 X6,销售人员告诉你没货就像你使用搜索一样,输入黑色宝马 X6,搜索结果返回为空的页面,但是这时候系统智能的给你推荐了其他颜色的同车系的车,并且给出了一些推荐理由去引导你购买。这个就是推荐。
· 你看不见的搜索
而这只是你看到的搜索表象,销售人员查阅库存的这个过程,转换到搜索中就是后台在进行 Query 分析等步骤,通过分析你的搜索词给予你信息的反馈。
通过 Query 分析、切词、倒叙索引、排序,最后将信息传达给前端展示。
还是刚才的例子,你的搜索词是黑色的宝马 X6,搜索会先将搜索词进行切词,拆成一个个词组或者单字,颜色:黑色、非必留:的、品牌:宝马、车系:X6。将这些词进行倒排索引查找,找到和这些词相关联的信息进行排序然后进行展示。当然这个相关联是我们人为进行干预或者优化的。在你原本的搜索词基础上会给与多个词相关联的内容进行展示。
由此我们得出用户获取信息的两种方式 - 搜索引擎 & 推荐系统,通过这两种方式我们获取到用户的搜索信息,并且人为的给与用户各种结果的展示。
02二手车搜索的问题
将 4S 店的流程搬到线上来看二手车的流程问题,通过漏洞数据我们发现二手车的搜索转化比同期整体业务转化低了 40%,经过筛选的转化率是要高于业务的整体转化的,那么哪里没有做好引起的搜索转化差呢?
· 另辟蹊径 - 搜索词场景还原
想要发现问题还是需要从问题的根源 - 用户的搜索词开始。
搜索词是用户使用搜索后留下的最好证据,将搜索词带入搜索场景,进行场景还原,通过专家视角发掘搜索隐藏的问题。
将搜索词进行筛选和随机取样后我们取得了 500 条样本数据。因为二手车存在很严重的地域性,相同的搜索词在不同城市会出现不同的展示结果。将搜索词分城市进行梳理,确保样本的准确性、多样性和地域性。
我们得出用户日常的搜索词主要分为两大类:
目标明确型:对于搜索内容有明确指向,涉及品牌车系或价格等组合词;
组合词:主要为品牌 + 车系、品牌 + 车系 + 年款、车系 + 年款、价格 + 品牌、颜色 + 车系、里程 + 品牌 + 车系等词汇;
品牌车系: 根据城市不同用户搜索的二手车品牌和车系也会不同;
目标模糊型:搜索内容没有明确品牌车系,搜索结果内容混合多种信息;
- 车型 / 用途:家用二手车、三厢车、练手车等;
这些信息的占比也暴露了一个严重问题,用户对于品牌车系年款没有较为明确的目标,只是在盲目的尝试搜索能够给 TA 带来的反馈是否符合 TA 的预期。
通过将搜索词代入搜索场景,我们在每个节点都发现了很多问题,这些问题在一步步的阻拦用户的搜索。
①搜索框:搜索的门户搜索框引导文案是千篇一律的 “请搜索品牌车系” 缺少引导性和差异性,没有给用户带来更多的有效信息,难道用户不知道搜索框是用来搜品牌车系?我们告知用户的不应该是这么简单的答案。
②搜索页: 抛去键盘覆盖的范围,我们有 60% 的页面可以展示更多有效信息,但是我们的页面却很 “干净”,“干净” 到用户只能去使用搜索框,或许我们可以做些什么。
③联想词:通过搜索词代入,一个重灾区暴露了出来,联想词的推荐种类少、无意的联想词、无语义拆分传导到结果页的结果信息少而不准确。
④结果页:因为上一个环节的 “灾难” 结果页的信息展示在召回率和搜索精度上都出现了问题。并且根据搜索词还会出现一个 “拦路虎” 二级筛选。
03制定设计目标
梳理完这些问题,我们的目标很明确了,教育目标模糊型用户,并逐渐向目标明确型引导,对于目标明确型用户推荐更精准的内容,优化搜索的逻辑提高搜索效率。带着目标去解决问题。
· 搜索框 - 教育用户搜什么
搜索框,在这样狭窄的空间内,我们是否可以提供更多的信息展示以及引导?
推荐词轮播机制,在有限的空间展示多种类型的推荐词,教育用户可以搜索哪些内容,以及将平台的更多丰富推荐信息展示给用户。
· 搜索页 - 推荐系统的主场
通过搜索点击进入搜索的大厅 - 搜索页,二手车的搜索页就像一张白纸一样,只有一个搜索历史和一个全国人民看到的都一样的推荐车系。这样一来推荐就没有任何意义了。
那么我们到底要推荐给用户什么信息呢?
通过梳理用户搜索词我们整理出了用户常用的搜索词类型和组合,我们以这些词为模板设定了很多推荐词组合,结合用户画像,方便用户去搜索以及教育用户可以使用哪些组合词满足他们的搜索场景,减少 “错误” 的搜索词带来的少无结果。
同时这些组合的推荐词还缩短用户操作路径,通过点击推荐词可以直达结果页并同步筛选器,还可以教育用户使用筛选器一举两得。
智能推荐的另一种展现形式 - 权威榜单
是我们的一次新的尝试,58 二手车多年来持续积累二手车相关的大数据集合。并结合自身的智能推荐机制给与用户更多维度的选车建议。结合用户画像我们将优质内容呈现给用户,表现专业性占领用户心智。提供了更多根据触达 & 商业推广能力。榜单标题和内容的高扩展性,还可以推广更多业务线。
经过这一系类的优化,我们的推荐系统慢慢的丰富了起来,针对用户画像推荐更符合用户搜索习惯的推荐词组合,针对目标模糊型用户还推出了权威的榜单设计。
· 联想词 - 逻辑优化是灵魂
通过联想词可以缩短用户的操作路径,以及通过联想词推荐提升用户获取信息的效率。
在联想词推荐部分,底层的 Query 分析结果关系到前端信息的展现维度和颗粒度。针对联想词关联性差和类型少,我们对联想词做了一系列细致的优化,丰富了联想词词类型和信息的关联度。
在别字的识别、近义词解析方面我们制定了新的走查机制,定期会抽查少无结果搜索词,针对少无结果的搜索词进行机制上的优化。
· 结果页 - 减少搜索路径 + 搜索精度三连击
在现有的搜索逻辑中针对车类型搜索是有一层二级筛选的,加长了用户的搜索路径,而且这类搜索词占到了整体搜索词的 40%。我们决定砍掉这层筛选。把类型选择放到了结果展示页,这将减少用户的筛选成本。对于分类较为模糊的车型可以方便的进行切换。召回的结果更多。
搜索结果精度再精度: 用户搜索到的信息有时是一个很庞大的数据,或者说是一个需要用户继续二次处理的数据,对于这些数据我们是否可以帮助用户处理?或者给出更多维度的筛选帮助 TA 快速在这些数据中得到自己想要的结果。
针对用户不同类型的搜索词给出了不同维度的二次筛选建议,对于车型类搜索词我们给出品牌类推荐。如果用户搜索品牌我们会给出车系推荐并且结合平台统计的关注度提升了推荐可信度,对于车系类搜索词我们给出了价格维度的筛选,并且进一步对价格给出平台库存展示,方便用户对结果的初步预判。通过和常规的筛选器联动,对于获取信息是更进一步的加工。
对多类型搜索词负责: 58 二手车车源丰富还会和当地二手车市场进行合作提供更多有保障的二手车源,对于搜索二手车市场以及店铺我们提供了专项的信息卡片展示,能够让用户更方便很准确的获取到多维度的信息。
04总结一下
从用户搜索词出发,进行搜索场景还原。发掘并解决整个搜索链路中每个节点带来的搜索难题,教育目标模糊型用户,并逐渐向目标明确性引导,对于目标明确型用户推荐更精准的内容。
整个项目是非常庞大的涉及了整个二手车的搜索模块,其中还有很多功能模块还没有完成开发上线,后续我们会持续跟进优化,逐渐完善我们的推荐逻辑和搜索逻辑。
以上感谢阅读。