中国的电商经历了 20多年的发展，逐渐呈现出场景化、个性化、国际化、社交化等趋势。一方面，电商由综合网购不断向细分领域发展;另一方面，线上线下结合、企业合纵连横、大数据和人工智能的运用，都象征着电子商务走向生态化发展道路。而企业需要不断打通生态入口，融合零售、物流、支付等场景服务，涉及线上线下多个环节，通过整合自身生态体系内的资源，从而打破行业边界。InfoQ专访宝尊电商产品总监张文举和技术总监张建，深入解读宝尊进行数字化运营过程中的痛点和解决方案。

　　传统的电商运营是一个繁琐、复杂的过程，其日常运营工作需要多角色参与，如运营、设计、商品、客服、数据、营销等，要投入大量的人力，同时运营工具各式各样，甚至也可称为“千人千面”，并无一套标准化流程和规范。对品牌而言，找到一个好的运营人员全凭运气，既要有经验，又要有策略性，还需要心细手快。而随着电商行业的快速发展，人才已成巨大缺口，并且新形态电商平台也在不断涌现，不同电商平台的运营规则又千差万别，这就对电商运营提出了需求：

　　是否有一套系统化的流程标准和工具;

　　运营中出现大量重复的、机械的工作是否能被机器替代，让运营人员可以将更多时间放在策略上;

　　这套标准和工具可以帮助电商运营实现标准化和数字化，提高运营效率和精细化程度。这样的好处是优化消费者的体验，同时企业也能增加收入，进而增强品牌的核心竞争力。

　　但是，企业在进行数字化运营过程中，也会遇到一些难点，这其中主要有两方面难点：

　　一是人的因素。首先是思想观念的转变，毕竟以前是熟悉的工作模式、熟练的excel技能，当企业进行数字化运营之后，大家需要接受新系统、新模式，这其中有意愿的转变，更需要找到切入点，平衡学习成本。

　　二是数字化软件系统的使用。选择什么样的软件系统才能满足运营业务需求?收支如何平衡?用户体验怎么保证? 这些都是企业进行数字化运营前面临的挑战。

　　针对上述难点，有哪些可行的落地思路?

　　宝尊数字化运营平台ROSS (Retail Operation Support System)，由智能设计、多渠道自动上新、活动运营、评价分析、智能选品五大应用模块组成。整个平台从诞生、迭代和实践中可以探索出企业数字化运营落地的思路 。

　　ROSS整体业务架构图

　　工具先行，尝到甜头

　　宝尊数字化平台起步于商品详情页制作系统，特别是鞋服箱包类品牌，SKU多(每款商品都有一个SKU，便于电商品牌识别商品)，上新快，商品运营要制作和修改大量商品详情页，设计师人工处理不仅耗时耗力，而且容易出错。

　　宝尊基于人工智能图像处理技术，为电商提供商品详情页的自动排版、切割、导出、上货等服务，构建一站式智能运营系统。在确定商品详情页的模板后，用户只需要上传文案和图片包，系统将实现自动排版生成详情页，并最终上架到天猫和京东店铺。

　　小步快跑，快速迭代

　　小步快跑，即快速打造出一个最小可行性产品。最小可行性产品(Minimum Viable Product，MVP)是指以最低成本尽可能展现核心概念的产品策略，用最快、最简明的方式建立一个可用的产品原型，这个原型要表达出自己产品最终想要的效果，然后通过迭代来完善细节。

　　逐步平台化、系统化

　　在电商技术体系里，中间有一层非常关键的业务平台，它是整个电商业务生态的基础。很多业务也是通过业务平台进行串联，在业务平台中还包括会员、商品、交易、营销、资金结算、店铺、评价等电商的基础平台。业务平台是非常复杂的业务抽象和业务逻辑控制层，这一层的能力直接决定了业务发展的速度和业务创新的成本。

　　随着生态复杂度、业务复杂度、系统复杂度的升级，虽然平台化解决了领域内部的问题，但是每一个业务的执行都是跨领域的，涉及会员、商品、交易、营销、店铺、评价、支付、物流、售后等，业务逻辑可能横跨几十个系统。比如一件商品，它的发布规则是什么样的，交易规则是什么样的，营销规则是什么样的，这些规则分散在不同的系统中，并且相互有关联。随着规则的增加和分散，最后导致没有一个人能说清楚全局情况了。整个研发效率和业务响应速度都比较差，这个问题其实已经不是一个技术问题了，而是一个复杂生态的协作问题。

　　数据驱动运营

　　大数据时代的任何商业活动，都离不开数据的支撑，电商服务业需要精细的数据支撑驱动业务增长。电商与传统行业相比，不同的地方在于电商拥有非常丰富的数据。对于电商运营来说，海量数据就像深藏的宝藏一样，只有通过挖掘和开采才能发挥出数据的价值。不管是前端、中端还是后端，实现精细化运营的前提是电商企业必须建立起数据驱动运营的文化，以及完善的数据分析与商业智能系统，通过数据分析找出最有效的营销方式、最有潜力的商品、最具价值的顾客群。

　　但需要强调的是，技术赋能不是局限在个别角色和岗位上，而是要构建一整套、覆盖运营端到端的支撑系统才能更好地实现数字化运营目标。电商行业作为一个相对成熟的行业，流量金贵，将大数据技术引入行业，企业基于数据驱动可以实现行业边界拓展，只有精细化运营，才能摆脱人海战术高成本低留存带来的竞争力流失。

　　数字化运营背后的技术支撑

　　与线下零售店不同，电商运营在售前需要准备呈现在电商平台和网站里的商品信息(其核心就是商品的图片和文字信息)。而在售中和售后，需要处理与买家通过线上渠道交互的对话和留言。为了实现数字化运营，需要采用自然语言处理(NLP)和图像处理(包括计算机视觉)技术帮助运营团队提升效率、减少错误，从而更好地倾听客户的声音和提升品牌影响力。

　　自然语言处理(NLP)

　　消费者在各电商平台具有不同的消费行为和模式，可以多渠道地表达体验和感受，客户评论处理的及时性和有效性很大程度上决定了客户对消费体验的整体满意度。店铺运营方和品牌方需要能从客户评论的信息里获取用户对品牌、商品和服务的实际感受，从而进行精细化管理，提高消费者购物体验。

　　宝尊自主研发的评价分析系统，通过汇集多渠道的消费者情感分析平台，收集消费者在电商平台(天猫、京东、品牌官方商城等)、社交网络和媒体的评论/评价，基于机器学习及NLP技术，实现对消费者评论自动化智能分析，为品牌运营及营销、产品优化、客户服务提供数据信息支撑，洞察消费者对品牌的认知，助力业务精细化运营，提升消费者体验，提高电商转化率。

　　该系统针对电商平台里最常见的商品评论数据，使用深度学习模型，对用户的评论进行不同类别的打标，并结合从公开数据源获取的其他文本数据，经过NLP的处理后，建立一套对于店铺、商品、物流等维度的多维度标签数据体系。该数据体系与宝尊自有的店铺运营产生的结构化数据相结合，通过实时的可视化报表，向店铺及品牌方实时地提供用户的反馈，并提供运营和推广的知识洞察。

　　对于电商业务场景，通用的NLP语料库(如wiki、百度文库、知乎等)基本无法实现满意分析，如何将用户简短的评论准确地按照相应的维度进行标记是一个难点。

　　这需要研发人员与业务人员紧密配合，针对不同的行业和品类，进行定制化的语料收集和标注，进而可以极大地提升NLP的准确度。在客户实际使用过程中，结合品牌的行业经验，对基本的标签库进行优化和扩展，从而提高分析的准确度。

　　图像处理

　　在传统的电商运营过程中，有海量的图片需要处理，其中包括但不局限于图片旋转、平移、剪裁、缩放、修改前/背景色彩、叠加相关信息点等。这些操作中有很多都是按规则进行简单重复的工作。目前，宝尊已经实现图片处理工作的自动化，可以释放设计师在基础工作上的精力，以便其可以投入创意的、基于数据进行设计优化等更有价值的工作，让设计发挥更大的效用。

　　某品牌商品图片处理自动化流程图

　　比如上面两张图是某品牌对于商品主图的处理，其中如获取图像主体、放入指定大小的框和添加logo操作等都是有规则的标准操作。在对这些操作进行一定的抽象之后，形成了标准的图像处理服务。业务方只需要按照自己的需求，配置好处理流程，整个图像自动化处理就可以实现，图像处理结果如下图所示。目前，图像处理功能已沉淀在宝尊智能设计平台。

　　图像处理结果示意图

　　对于一些相对简单的图像处理过程，核心问题是品牌的个性化要求。例如，品牌A和B虽然同属于服装服饰品类，但是A和B对于商品在图片中的位置摆放、大小、比例都有各自的要求。这就要求图片处理功能要实现足够的灵活和可配置。针对图片的处理功能，面向业务进行抽象，实现整个图片处理流程的可配置和可管理。

　　基于深度学习的图像处理功能在使用过程中，难点之一在于如何提高识别准确率。解决这一难点需要从两方面着手：一是数据，二是模型。在数据方面，通过获取更多的打标数据以及数据增强技术，提高模型的泛化性能，从而提升识别效果的上限;在模型方面，通过对模型结构及参数的持续调整和优化，逐步提升识别效果。

　　电商行业未来的技术发展趋势

　　提到未来电商发展趋势，不得不提阿里巴巴商业操作系统。

　　2019年1月11日，阿里巴巴集团CEO张勇正式推出了阿里商业操作系统，称将系统地帮助全球零售业重构商业运营的11大要素。将过去20年在阿里巴巴经济体内部，包括购物、娱乐、本地生活服务等多元商业场景及其形成的数字化能力，与云计算等其他服务充分融合，形成独特的阿里巴巴商业操作系统，开启全球品牌数字化经营的时代。

　　未来商业的发展，信息系统建设必须要走到新阶段，要将品牌、商品、销售、营销、渠道、制造、服务、金融、物流供应链、组织、信息管理系统等企业运营中的11大商业要素，从消费者视角这一平面上纵深抽象开来，加以立体化，实现在线化，进而达到全面数字化。

　　商业零售能力竞争会越来越多的偏向企业 B 端数字化能力的竞争。即在企业和行业内全面的数字化的创新及改造，帮助企业提升内部的运营效率，供应链效率，优化运营成本，同时利用技术帮助线下运营。

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。