產(chǎn)品經(jīng)理搜索就像你去4S店選車-二手車搜索改版復(fù)盤

1、編輯導(dǎo)讀：本文作者從去4s店選車的案例出發(fā)，對二手車搜索設(shè)計(jì)項(xiàng)目進(jìn) 行了復(fù)盤。從發(fā)現(xiàn)問題到制定目標(biāo)，作者對相關(guān)步驟展開了詳細(xì)梳理，并對過程中遇到的問題進(jìn)行了分析總結(jié)，供大家一同參考學(xué)習(xí)。舉個(gè)例子，你去4S 店想買一輛黑色的寶馬 X6 ，銷售人員查閱庫存后告訴你店里沒有黑色的了，只有雪山白你要不要？你在猶豫到底買還是換一家時(shí)，銷售人員開始給你洗腦，說雪山白顏色雅致，適用于多個(gè)場合，也保值。你心動(dòng)了于是買下了雪山白的。這個(gè)例子中，你去買黑色寶馬 X6 ，銷售人員告訴你沒貨就像你使用搜索一樣，輸入黑色寶馬X6 ，搜索結(jié)果返回為空的頁面，但是這時(shí)候系統(tǒng)智能的給你推薦了其他顏色的同車系的車，并且給出了一

2、些推薦理由去引導(dǎo)你購買。這個(gè)就是推薦。而這只是你看到的搜索表象，銷售人員查閱庫存的這個(gè)過程，轉(zhuǎn)換到搜索中就是后臺在進(jìn)行Query 分析等步驟，通過分析你的搜索詞給予你信息的反饋。通過Query分析、切詞、倒敘索引、排序，最后將信息傳達(dá)給前端展示。還是剛才的例子，你的搜索詞是黑色的寶馬 X6 ，搜索會先將搜索詞進(jìn)行切詞，拆成一個(gè)個(gè)詞組或者單字，顏色：黑色、非必留：的、品牌：寶馬、車系：X6。將這些詞進(jìn)行倒排索引查找，找到和這些詞相關(guān)聯(lián)的信息進(jìn)行排序然后進(jìn)行展示。當(dāng)然這個(gè)相關(guān)聯(lián)是我們?nèi)藶檫M(jìn)行干預(yù)或者優(yōu)化的。在你原本的搜索詞基礎(chǔ)上會給與多個(gè)詞相關(guān)聯(lián)的內(nèi)容進(jìn)行展示。由此我們得出用戶獲取信息的兩種方式-

3、搜索引擎&推薦系統(tǒng)，通過這兩種方式我們獲取到用戶的搜索信息，并且人為的給與用戶各種結(jié)果的展示。將 4S 店的流程搬到線上來看二手車的流程問題，通過漏洞數(shù)據(jù)我們發(fā)現(xiàn)二手車的搜索轉(zhuǎn)化比同期整體業(yè)務(wù)轉(zhuǎn)化低了 40%，經(jīng)過篩選的轉(zhuǎn)化率是要高于業(yè)務(wù)的整體轉(zhuǎn)化的，那么哪里沒有做好引起的搜索轉(zhuǎn)化差呢？想要發(fā)現(xiàn)問題還是需要從問題的根源 -用戶的搜索詞開始。搜索詞是用戶使用搜索后留下的最好證據(jù)，將搜索詞帶入搜索場景，進(jìn)行場景還原，通過專家視角發(fā)掘搜索隱藏的問題。將搜索詞進(jìn)行篩選和隨機(jī)取樣后我們?nèi)〉昧?500條樣本數(shù)據(jù)。因?yàn)槎周嚧嬖诤車?yán)重的地域性，相同的搜索詞在不同城市會出現(xiàn)不同的展示結(jié)果。將搜索詞分城市進(jìn)行梳

4、理，確保樣本的準(zhǔn)確性、多樣性和地域性。我們得出用戶日常的搜索詞主要分為兩大類：目標(biāo)明確型：對于搜索內(nèi)容有明確指向，涉及品牌車系或價(jià)格等組合詞；目標(biāo)模糊型：搜索內(nèi)容沒有明確品牌車系，搜索結(jié)果內(nèi)容混合多種信息；這些信息的占比也暴露了一個(gè)嚴(yán)重問題，用戶對于品牌車系年款沒有較為明確的目標(biāo)，只是在盲目的嘗試搜索能夠給TA 帶來的反饋是否符合TA 的預(yù)期。通過將搜索詞代入搜索場景，我們在每個(gè)節(jié)點(diǎn)都發(fā)現(xiàn)了很多問題，這些問題在一步步的阻攔用戶的搜索。梳理完這些問題，我們的目標(biāo)很明確了，教育目標(biāo)模糊型用戶，并逐漸向目標(biāo)明確型引導(dǎo)，對于目標(biāo)明確型用戶推薦更精準(zhǔn)的內(nèi)容，優(yōu)化搜索的邏輯提高搜索效率。帶著目標(biāo)去解決問題

5、。搜索框，在這樣狹窄的空間內(nèi)，我們是否可以提供更多的信息展示以及引導(dǎo)？推薦詞輪播機(jī)制，在有限的空間展示多種類型的推薦詞，教育用戶可以搜索哪些內(nèi)容，以及將平臺的更多豐富推薦信息展示給用戶。通過搜索點(diǎn)擊進(jìn)入搜索的大廳-搜索頁，二手車的搜索頁就像一張白紙一樣，只有一個(gè)搜索歷史和一個(gè)全國人民看到的都一樣的推薦車系。這樣一來推薦就沒有任何意義了。那么我們到底要推薦給用戶什么信息呢 ?通過梳理用戶搜索詞我們整理出了用戶常用的搜索詞類型和組合，我們以這些詞為模板設(shè)定了很多推薦詞組合，結(jié)合用戶畫像，方便用戶去搜索以及教育用戶可以使用哪些組合詞滿足他們的搜索場景，減少 “錯(cuò)誤 ”的搜索詞帶來的少無結(jié)果。同時(shí)這些

6、組合的推薦詞還縮短用戶操作路徑，通過點(diǎn)擊推薦詞可以直達(dá)結(jié)果頁并同步篩選器，還可以教育用戶使用篩選器一舉兩得。智能推薦的另一種展現(xiàn)形式-權(quán)威榜單是我們的一次新的嘗試，58二手車多年來持續(xù)積累二手車相關(guān)的大數(shù)據(jù)集合。并結(jié)合自身的智能推薦機(jī)制給與用戶更多維度的選車建議。結(jié)合用戶畫像我們將優(yōu)質(zhì)內(nèi)容呈現(xiàn)給用戶，表現(xiàn)專業(yè)性占領(lǐng)用戶心智。提供了更多根據(jù)觸達(dá)&商業(yè)推廣能力。榜單標(biāo)題和內(nèi)容的高擴(kuò)展性，還可以推廣更多業(yè)務(wù)線。經(jīng)過這一系類的優(yōu)化，我們的推薦系統(tǒng)慢慢的豐富了起來，針對用戶畫像推薦更符合用戶搜索習(xí)慣的推薦詞組合，針對目標(biāo)模糊型用戶還推出了權(quán)威的榜單設(shè)計(jì)。通過聯(lián)想詞可以縮短用戶的操作路徑，以及通過聯(lián)想詞推

7、薦提升用戶獲取信息的效率。在聯(lián)想詞推薦部分，底層的 Query 分析結(jié)果關(guān)系到前端信息的展現(xiàn)維度和顆粒度。針對聯(lián)想詞關(guān)聯(lián)性差和類型少，我們對聯(lián)想詞做了一系列細(xì)致的優(yōu)化，豐富了聯(lián)想詞詞類型和信息的關(guān)聯(lián)度。在別字的識別、近義詞解析方面我們制定了新的走查機(jī)制，定期會抽查少無結(jié)果搜索詞，針對少無結(jié)果的搜索詞進(jìn)行機(jī)制上的優(yōu)化。在現(xiàn)有的搜索邏輯中針對車類型搜索是有一層二級篩選的，加長了用戶的搜索路徑，而且這類搜索詞占到了整體搜索詞的 40%。我們決定砍掉這層篩選。把類型選擇放到了結(jié)果展示頁，這將減少用戶的篩選成本。對于分類較為模糊的車型可以方便的進(jìn)行切換。召回的結(jié)果更多。搜索結(jié)果精度再精度：用戶搜索到的信

8、息有時(shí)是一個(gè)很龐大的數(shù)據(jù)，或者說是一個(gè)需要用戶繼續(xù)二次處理的數(shù)據(jù)，對于這些數(shù)據(jù)我們是否可以幫助用戶處理？或者給出更多維度的篩選幫助 TA 快速在這些數(shù)據(jù)中得到自己想要的結(jié)果。針對用戶不同類型的搜索詞給出了不同維度的二次篩選建議，對于車型類搜索詞我們給出品牌類推薦。如果用戶搜索品牌我們會給出車系推薦并且結(jié)合平臺統(tǒng)計(jì)的關(guān)注度提升了推薦可信度，對于車系類搜索詞我們給出了價(jià)格維度的篩選，并且進(jìn)一步對價(jià)格給出平臺庫存展示，方便用戶對結(jié)果的初步預(yù)判。通過和常規(guī)的篩選器聯(lián)動(dòng)，對于獲取信息是更進(jìn)一步的加工。對多類型搜索詞負(fù)責(zé)： 58 二手車車源豐富還會和當(dāng)?shù)囟周囀袌鲞M(jìn)行合作提供更多有保障的二手車源，對于搜索二手車市場以及店鋪我們提供了專項(xiàng)的信息卡片展示，能夠讓用戶更方便很準(zhǔn)確的獲取到多維度的信息。從用戶搜索詞出發(fā)，進(jìn)行搜索場景還原。發(fā)掘并解決整個(gè)