排序与搜索是引导用户的风向，也是获得良好的用户体验的一大关键。本文对排序与搜索的逻辑与发展进行分析，更好地构建商品信息识别的架构，希望对你有所帮助。

排序与搜索是用户快速触达所需信息的通道，也是引导用户走向的风向标，带给用户更好的体验。

• 引导：指引用户向某个目标行动，在行动上帮助用户走捷径
• 搜索引导：帮助用户更快的完成搜索过程，找到需求目标信息
• 执行结果：帮助用户找到所需商品，并达成交易完成转化

01 执行搜索的核心目标

帮助用户明确搜索意图、节约用户搜索时间、提高搜索体验、实现更高效的用户与商品/商家的连接，进而获得更高的营收转化。

在推荐的历史长河里，从以前的市场采购，当采购者表达了自身的采购需求属性后，业务员会根据需求，推荐相同性价比，材料的产品，任其挑选。

而采购人员也会逛一逛就近的相同商店，进行货比三家，寻求最合适的性价比，直到网络时代的诞生，由线下转为线上，从传统到现代，从局限性到可选择性广阔。

1. 最初期/早期——人工排序

早期的推荐产品，主要靠平台运营人员，依靠业务知识进行手工配置，策略投放也是基于场景相关性的固定位置展示;。

这一阶段主要出现在产品或场景构建初期，这时候条目量较小，主要是运营进行条目的筛选与选取，根据这些商品的点击、转化、订单数据进行排序，这时候往往此场景只有一份条目排序，用户访问此场景时，将会“千人一面”地展示这些商品。

当然也会从业务角度选取重要且区分性较大的维度，穷举并构建若干列表；举个例子，比如不同地区，不同性别需求会有差异，比如美国人和英国人，男性和女性对于商品、需求都会产生差异化。

人工排序：由运营手动调整商品的排序，当SKU少的时候，小百个的情况下，人工运营不算繁重，但是一旦商品量起来，有几万商品时候，会变得茫然无措。

当然人工推荐和干预也不是一定存在弊端，在未来的很长时间都会继续存在，因为某些突发性的事件和时事热点在没有好的舆情监控体系下（如果有，可以借助此来做推荐），还是需要人工干预，因为热点带来的推荐效果也是很高的。

自然排名的三点要素：

“热、快、全”先做热、后做快、再做全，其中热指的是通过某几个维度选取并排序，快主要是考虑时间，全指的是个性化，热是实时热点。

热门推荐简单的方式，可生成多维度的热门数据，热门数据有各种排行榜，比如点击的排行榜，购买排行榜等。当客户需要热门推荐的场景时可把热门推荐生成的结果直接返回给客户，另一方面，热门推荐也可以捕捉一些场景，比如处理冷启动；热门推荐的结果通常有一定理论依据，比如按购买、销量排序其实也是很多人容易接受的方式。

在C端电商购物中，先根据用户点击率、页面停留时间、购买次数、综合考虑排序，要让大部分用户喜欢的产品排在前，但是“一千个读者心中有一千个哈姆雷特”，不可能有一个让每个人满意的排序。

大部分品类默认最佳的排序，应该是一个考虑了销量、库存深宽度、新品、价格区间等若干个因素的权重，最后进行综合算法的排序。当然也有电商会将多种常见商品排序枚举给用户，把选择权交给用户，比如“销量、新品、价格、人工”等。

• 按销量：对某个时间窗口内（近一个月、近一周等）卖得好的商品，这里会让新品几乎没有任何机会得到展示，马太效应较强
• 按新品：按商品上新的时间排序（按上架时间）
• 按价格：用户的购买力差异大，所以每个人对价格有不同的诉求，按价格排序
• 其他维度：（评论，收藏等）其它相关产品诉求

前期产品推广冷启动，没有足够的数据积累，热门排序以时间+人工运营结合排序，即新上架的排在前，随着中期数据积累及产品健全。

综合人气指数排序：

人气排序（按综合指数）则多维度考虑，前期“按时间顺序积累一定数据后”，“中期用户喜欢的产品”(即转化率高的产品排在前面，转化率高相当于详情页内评论、商品属性等信息对用户有吸引力), “后期在物料(如商品)数量积累到一定程度”，在「兼顾用户体验」的基础上，可以考虑「毛利率」，用户在信任该平台的时候，就可以推出「转化率＋毛利率高」的产品，默认排序是转化好及毛利率高的商品排在前面。

影响商品综合排序的因素有：单位时间的转化率、点击率、成交量、好评率、收藏量、退货率、上下架、单位时间的销量排名、复购率、页面停留时间、浏览量、SKU的齐全率、收藏排名、活动类型（满减/满返/折扣）、库存等，根据结合自己的平台列出影响商品排序的因素。

用户输入了搜索词，系统通过搜索词找到与搜索词相关的商品信息，系统通过用户及商品的情况进行排序后展现给用户。

语义搜索中，不单单考虑词维度的精确匹配，而是语义层面来做。增加搜索结果的相关性，提升用户体验外，也可以一定程度上遏制商家商品标题堆砌热门关键词的问题。

搜索与检索溯源：

商品信息=图片+标题+属性+交互（主图，图片内容），检索项包括但不限于；

商品名称=商品标题、副标题，商品描述，商品参数、规格，商品品牌，商品品类，别名关联商品类型；

遵循A9算法中，搜索、浏览、推荐；

1、系统通过算法学习模拟，从用户第一次进入展示系统默认的样本，到第一次搜索关键词，或，点击浏览了某一个商品，从此刻起，开始有了第一个推荐标签；

2、根据用户最近时间的浏览行为，或最近综合数据，最终实现，从手动排序的-【千人一面】到系统智能算法推荐【千人千面】，也是更好的引导用户的走向，带给用户更好的使用体验。