摄影／洪政伟

早在2008年，本土C2C电商龙头露天市集就开始经营广告业务。到了2017年，他们开始利用数据来进一步驱动广告业务，成立专责数据团队，陆续推出了即时竞价（RTB，Real-time Bidding）的关联性广告、广告代投机器人等现代化数位行销服务，也利用自家数据规模优势，和其他零售商进行联合数位行销。

发挥C2C电商特性，用百万间卖场数据作为精准行销依据

露天推出的精准行销服务都利用了一项零售业界少有的数据优势，就是C2C电商平台高达172万间卖数据。他们做了一套自动化卖家管理机制，不只能过滤掉劣质卖家，维护平台交易品质，更能用来优化广告和搜索等数位行销情境的商品排序。

进一步来说，露天从3个层级来对卖家评分，综合这些层级的评分后，给予每个卖家各自的最终评分，并依照此评分调整卖家所有商品的曝光优先度。

这3个层级是卖场特性、销售行为、商品特性。卖场特性包括会员所在地区、寄送地点分布、IP地址等卖场基本数据等；销售行为包含消息即时回应率、卖家的整体被点击率、销售满意度、行销转换率等；商品特性层级则是包括商品贴标、商品如期出货率、金物流选项多元性等。

露天也没忘了用1,950万名消费者数据来强化数位行销。他们从头自建了一整套消费者数据搜集和分析平台，纪录消费者进站、浏览、点击、加入购物车等，每一天累积超过千万笔的事件Log。

搜集这些数据后，结合露天自己的零售专业知识，为消费者粘贴动静态标签，静态标签包括性别等客观事实，动态则包括行为模式和预测型标签。前者是消费者近期购物行为，后者则是综合各式标签及零售知识推论出的可能消费者分类，例如高流失风险消费者，或消费者可能的实际年龄层等。

为了密切追踪消费者动态兴趣，露天甚至会在推荐内容中混入一些与消费者标签关联性较低的内容，来测试消费者兴趣近期是否有变动。并且，为了最大化预测型贴标对精准行销的效益，他们在贴标时，还会同时使用不同算法，例如Random forest、SVM、XGBoost等，并交叉比较不同算法贴标后的行销成效。

为了数据驱动精准行销目标，打造数据基础架构

露天现在的数据基础架构及数据工程流程，也为了善用庞大卖家及买家数据驱动精准行销为前提来设计。

多年前，由于露天网站流量庞大，为了节省商用网站流量分析服务的费用，他们自行打造了TypeScript Log及RTB Log纪录器，作为替代品。直到2、3年前，他们进一步开始打造数据中台，搜集TS Log、RTB Log、ERP数据等原始数据，再经过ETL/ELT流程，集成广告数据、网站数据及ERP数据，创建了专用的存储及分析工具链。

露天数据分析师可以根据应用情境，到不同数据库探勘及分析数据，再用BI工具来可视化分析、呈现结果，与其他团队或部门沟通。露天还会存储过往数据分析师使用这些分析工具的查找及存取纪录，作为数据处理的经验传承。未来有类似分析需求时，不用从头思考查找指令，或需要包含哪些数据维度。这种做法也使经验较少的数据分析师或非数据相关专业的主管能快速上手，使用这些数据分析工具。

为了快速开发、迭代ML模型，针对更多商业场景打造专属模型，露天近年更导入了MLOps工作方法，统一数据查找、数据集整理、模型训练及更新、API生成、模型部署等流程，来缩短并标准化ML模型开发生命周期。这些不同场景的模型成了优化精准行销重要的关键技术。目前，露天网站上有十多个专属ML模型在负责不同行销场景。

下一步，露天还要增加工程团队对于数据变动及系统异常的反应速度。一方面，他们要集成SCM及广告系统，来加速卖家及广告数据同步效率；另一方面，还要为内部系统打造全自动化警报系统，一有异常就会自动通知负责工程师处理。

 相关报导