1703952321
1703952322
1703952323
1703952324
1703952325
图9-4 仓库管理系统架构
1703952326
1703952327
入库业务，入库有许多种类，如采购入库、调拨入库、退换货入库等，先把商品的ASN码导入系统中，通过预约送货模块，进行送货预约。当货物送达仓库后，仓库进行验收入库，对货物的型号、效期、包装等进行检查，通过后才可以被接收。根据系统的建议，进行商品上架。
1703952328
1703952329
出库业务，仓库管理系统接收到订单系统传输过来的出库单信息，进行打波次、拣货、分拣、装箱、出库等操作，其中的波次是支持自动波次和人工波次的，拣货支持RF拣货、纸单拣货、系统推荐拣货等。
1703952330
1703952331
库存管理，是对仓库货物做主要操作的模块，功能包括库存移动、库存盘点、库存锁定等，货物上架以后，不能任意移动货物，否则容易造成系统库存和实物库存对不上，造成损耗问题。
1703952332
1703952333
系统管理、基础管理，是一些基础信息、权限和系统配置的设定模块，通常在系统初始化的时候进行资料的导入，后面再根据实际情况去维护这些信息数据。
1703952334
1703952335
技术管理之巅：如何从零打造高质效互联网技术团队？ [:1703949771]
1703952336
9.1.3 个性化推荐引擎架构设计
1703952337
1703952338
个性化推荐引擎，被广泛使用在电商网站、网络广告、资讯网站中，这里我们以电商网站的使用场景为例，给大家介绍个性化推荐引擎的架构设计。
1703952339
1703952340
在综合性的电商网站上，商品的数量通常在数十万以上，个性化推荐是帮助顾客在最短的时间内找到想要的商品。还有一种情况是，顾客在购物过程中并没有很明确的购物意图，只是逛逛，看到喜欢的就买，这个时候个性化推荐就能够根据顾客的浏览行为，进行有针对性的商品推荐，帮助顾客挖掘他的购买需求。
1703952341
1703952342
个性化推荐，能够帮助电商网站，提升顾客体验、提升销售业绩，通过个性化推荐，可以在顾客即将达到某个购买周期时，给顾客提醒，提升人文关怀。比如，通过个性化推荐引擎的算法，可以在顾客的大米、油盐即将使用完的时候，给顾客提醒信息，让顾客通过“一键购”的便捷方式再次购买商品，有效提升老顾客的复购率。
1703952343
1703952344
个性化推荐，能够优化网站展示商品内容，提升销售、提升毛利、提高长尾销售、促进跨品类购买等。经过统计发现，使用了个性化推荐以后，能够提升顾客下单率2倍以上，提升订单转化率20％以上。
1703952345
1703952346
了解了个性化推荐引擎的神奇效果之后，我们来学习如何搭建个性化推荐引擎，如图9-5所示，这是个性化推荐引擎和应用闭环。新一代的推荐引擎是基于用户画像的，当前被广泛使用在各大电商网站的推荐引擎中。在详细介绍之前，我们先回顾老一代的推荐引擎的原理，老一代的推荐引擎是基于商品属性关联的，以亚马逊网站为代表，这跟商品的品类是有关系的，最初亚马逊是以卖书为主的，书的主要属性是书目分类、作者、题材等，例如，当顾客购买了狄更斯的作品时，可以推荐作者其他的作品给顾客，一般情况下是有效的。
1703952347
1703952348
1703952349
1703952350
1703952351
图9-5 个性化推荐引擎应用闭环
1703952352
1703952353
但是在品类繁多的百货类商品的购物环境中，基于商品属性的推荐就略显单一了，例如顾客购买了飞利浦的剃须刀，再推荐给顾客其他品牌的剃须刀，或推荐飞利浦的其他电子产品，效果不会很好。
1703952354
1703952355
在这类商品的各类繁多的复杂的购物场景中，新一代的基于顾客画像的推荐就取得了非常好的效果，再结合商品关联、商品基因，通常就比较精准了。顾客画像提供了丰富的基础数据，需要通过四个引擎模块对这些顾客画像数据进行处理，这些引擎包括场景引擎、实时引擎、上下引擎、规则引擎。
1703952356
1703952357
场景引擎，是根据在购物过程中的不同场景进行推荐，例如顾客刚进入网站、用户浏览商品详情页、购物车页面、订单结算页等场景，在这些场景里，顾客的诉求都是不一样的。比如，顾客浏览商品详情页，此时顾客对这款商品是感兴趣的，可以做同类商品推荐、关联商品推荐等；当顾客把商品加入购物车，此时可以推荐给顾客，“买了这款商品的其他顾客又买了什么”这样的商品推荐列表，引导顾客购买更多的商品。
1703952358
1703952359
实时引擎，是根据用户的浏览行为提供实时推荐建议，这对推荐系统的计算能力要求是非常高的，需要有实时计算框架来支持。
1703952360
1703952361
上下文引擎，通过顾客的浏览轨迹，结合上下文内容，给顾客推荐与上下文相关的商品。
1703952362
1703952363
规则引擎，通过人为配置一些规则，包括节日、季节、热点事件等社会化信息，给顾客推荐更应景的商品，例如在情人节来临之前，推荐鲜花、巧克力、浪漫餐厅等商品。
1703952364
1703952365
在上面的描述中，我们了解到了顾客画像的重要性，如图9-6所示是顾客画像的组成，包括人口中统计学信息、兴趣图谱、消费类型、忠诚度、第三方网站的顾客画像。通过对这些信息的分析，个性化推荐引擎就能够做到比用户自己更了解自己。
1703952366
1703952367
1703952368
1703952369
1703952370
图9-6 顾客画像组成