惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

The GitHub Blog
The GitHub Blog
有赞技术团队
有赞技术团队
Apple Machine Learning Research
Apple Machine Learning Research
V
V2EX
Engineering at Meta
Engineering at Meta
美团技术团队
H
Hackread – Cybersecurity News, Data Breaches, AI and More
博客园 - 司徒正美
I
InfoQ
S
SegmentFault 最新的问题
博客园 - 叶小钗
N
Netflix TechBlog - Medium
Y
Y Combinator Blog
IT之家
IT之家
博客园 - Franky
大猫的无限游戏
大猫的无限游戏
人人都是产品经理
人人都是产品经理
T
The Blog of Author Tim Ferriss
月光博客
月光博客
The Cloudflare Blog
U
Unit 42
GbyAI
GbyAI
L
LangChain Blog
Microsoft Azure Blog
Microsoft Azure Blog

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
排序规则设计分享——服务类O2O项目初期首页排序
芊芊 · 2024-01-16 · via 人人都是产品经理

产品经理可以如何设计好适合业务阶段的排序规则?这篇文章里,作者以某线下服务类O2O初创项目为例,做了有关排序规则的设计分享,一起来看看,或许会对你有所启发和帮助。

一、背景与现状

1. 项目简介

某线下服务类O2O初创项目,消费者可以预约某一服务人员的服务,双方可以在指定时间、地点进行履约,例如球类陪打,由消费者购买教练的服务,双方约定到某一球场进行教学,最终由消费者确认完成,订单结束。平台主要盈利来源为抽佣。

2. 功能背景

首页以列表形式展示服务区域符合筛选要求的所有服务人员卡片,暂时没有设置有意义的排序规则,现在已有几百名服务人员入驻,需要新增一个适合现阶段的服务人员列表排序规则。

由于是项目初期,数据量少、数据维度少,且排序也不能做得太复杂,因此选择采用比较直观的计算公式来做排序规则。

二、排序的影响因素梳理

本次优化排序规则的目标是将有价值的服务人员展示在前面,优先让消费者看到他们。

这个价值有三个对象:

1)对消费者的价值

这个是主要的,消费者希望自己能找到更优质的服务人员。

如何去判断一个服务人员是否优质呢?好评多的服务人员质量和态度可能更好;成交单量多的服务人员可能经验更足;比较活跃的服务人员可能回应更迅速;资料内容比较充实的,给到消费者的信息更多,决策友好;价格高的服务人员可能更优质,不过价格太高会超预算……

站在消费者角度去梳理选择服务人员时需要考虑的因素,对应梳理的几个因子是:好评/差评数(初期单量少,若使用占比,这个值将波动过大,暂不考虑占比)、成交单量、离线天数、动态数、价格

2)对平台的价值

由于平台是抽佣制,且服务人员大多是按小时为单位收费,价格近似的情况下,消费者下单的小时数越大成交额越大,服务人员成交额越大,给平台带来的收益也就越多,因此平台比较关注服务人员的成交额;

同时平台希望能够根据服务人员的表现对其平台内排序做对应处理,例如某服务人员被发现有了违规行为,那么运营人员可以手动降低该人的排序,我们需要预留一个手动因子,支持手动配置不同的值以改变列表排序,以备不时之需。

3)对服务人员的价值

首先,所有服务人员希望自己能够尽可能地获得更大的曝光,如果列表的排序一直不变将会影响服务人员的积极性,也会使一些后来者失去很多机会。

在平台现阶段没有完善的算法的情况下,可以考虑引入一个随机排序因子,使排序列表每次刷新时,都有小幅度的排序变化。

其次,服务人员希望接到更近的单子,但由于双方协商前服务地点是未知的,这点暂时无法做到。最后,服务人员希望自己的曝光与自己在平台的表现是正向的,因此需要避免不合理的排序计算方式;

三、排序因子

用户对于价格优先的需求我们可以通过筛选或按价格排序的功能选项来实现,因此先将价格从排序因子中剔除。

1. 正影响

1)成交单量(高权重)

2)好评数(高权重)

3)动态数

4)成交额(由于成交额的数值明显大于其他的影响因子,为了避免成交额对排序造成过大影响,需要将成交额除以一个基础值50,再放入排序公式,选择50的原因是服务人员基础价格为50/h)

2. 负影响

1)差评数

2)离线天数(以day为单位)

3. 其他影响

1)随机因子(1.0~1.5,每次刷新更新数值)

2)手动排序因子(用于特殊情况下手动修改某个服务人员的排序,0.01~100,每个服务人员的手动因子默认是1,可以在后台修改)

*由于以上两个因子变动需要对整体的值产生能够改变排序的影响,因此选择以乘法的形式放入公式

四、计算公式

最终排序数值=(10+成交单量x2+成交额/50+好评数x2-差评数+动态数-最近登录离线天数)x 随机因子x 手动排序因子

最终排序按以上计算结果从大到小排序。

本文由 @芊芊 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自 Unsplash,基于 CC0 协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。