■本报记者 沈湫莎
在不少人眼中，新式渠道拼是一家主攻三四线城市的下沉市场电商，疫情期间，一组数据却让人有些意外：在不到两个月时间里，拼多多协助全国超越400个农产区售出8.4万吨农产品，大约70%的订单来自大中城市。
“外界把咱们当作电商渠道，咱们内部更愿意把自己当作一家智能公司。”拼多多副总裁陈秋说。从创建伊始，拼多多的商业逻辑就与其他电商不同。传统电商是 “人找货”，而拼多多挑选了 “货找人”。两者背面都有一套支撑，但技术立异的逻辑变了。
事实上，不止拼多多，在上海大力发展在线新经济的过程中， “货找人”成为一种时尚玩法，小红书、哔哩哔哩等当红企业也参加其中，其背面交融了人工智能、大数据、云核算等技术立异。当用户的各种需求维度被不断展示和发掘出来，在他们还不确认自己想买什么、想看什么、想找什么之前，互联网企业已经将客户可能感兴趣的产品到他们面前。
分布式人工智能，让用户具有属于自己的“AI署理”
“当你网购了纸尿布时，渠道就会给你推送婴儿车。”这是电商渠道引以为豪的相关推送规律，但热衷网购的人们很简略发现拼多多的与众不同之处：当老友和你建议拼单后，拼多多不只引荐了婴儿车，还引荐了老友共享或许运用过的更适合你的产品。这便是所谓的 “货找人”，背面需求一套精准的计算规律。
传统的线下市场，或许以查找场景为主导的传统电商渠道，其本质是 “人找货”。比如，酱油没了去超市买瓶酱油，过节了去某品牌的网上店铺查找是否有自己喜欢的衣服……这些都是 “人找货”形式。在这种形式中，顾客需求检索已经把握的产品信息库，这等于在检测顾客的产品常识储备量，需求自己去货架上查找。
“人找货”还有一个问题，不论是实体店仍是网店，哪种产品能取得比较好的位置，不是由顾客决议，而是由 “摆货人”决议的。在线上，传统电商渠道的广告位决议了店铺在查找成果中的排序，出价高的店铺更简略被顾客看到。
怎么完成“货找人”？拼多多立异应用了分布式人工智能技术。所谓分布式人工智能技术，是相对于中心化的人工智能技术而言。在中心化的人工智能技术框架下，后台会给用户贴上各种“标签”，比如“价格敏感的年轻女性”“讲究品牌的商务男性”等，继而依据集体特征为顾客引荐产品。而分布式人工智能是给每个人提供一个“AI署理”，让每个人的数据都能够被独立处理，再经过不同“AI署理”之间的交互，来形成对用户消费的了解。
试想一下，当你挑选和老友一同拼单购买一件产品，你的 “AI署理”和老友的 “AI署理” 就完成了一次交互，如此一来，老友间共同的消费兴趣和习惯就在数据端建立起了联系。所以，下次推送时，你看到的产品就会愈加精准地 “属于你”。一朝一夕，客户与推送产品之间就会建立起一种信任，随时预备掏腰包尝试一下。
据拼多多日前发布的2020年一季度财报，这家年轻电商的活泼买家数量同比增加了1.85亿。不可否认，这其中有适当部分贡献来自于这一全新推送规律的 “威力”。
从粉丝优先到算法优先，新交际渠道快速崛起
“货找人”形式并非电商独有。新近崛起的一批在线新经济当红企业背面， “货找人”的理念总是若隐若现。比如，在用户第一次打开小红书、哔哩哔哩等App前，你需求选上几个喜爱的栏目，这等于给自己交了一张“简笔画像”，而参加渠道后的每一次点击、每一件购买产品，都会让这张画像愈加准确。
小红书的“种草—拔草”形式形象地解说了内容原创渠道是怎么“带货”的：一位用户阅读而且点击了眼影的内容，在一些笔记下留言谈论，且之前也有过彩妆阅读记录，后台算法会以为她现在大概率对眼影等彩妆类内容感兴趣，据此分发给她更多眼影盘以及怎么运用等内容，其他用户的真实消费体会笔记在此刻就会对大家的消费决策产生影响。
从某种程度上说， “货找人”打破了传统交际网络的 “早鸟效应”，即在早期互联网渠道上，越早进驻的用户越可能快速积累粉丝。依据 “人找货”准则，粉丝数量高的用户在内容传达上的优势要远远大于粉丝数量少的人。而在以 “货找人”为主要算法逻辑的渠道上，粉丝数没有曾经那么重要了。在B站上，体系会依据用户的观看偏好来引荐相似内容，不管是流量大咖UP主仍是新人菜鸟，决议是否来到你面前的是内容自身而非创作者。
从深度学习到常识图谱，“千人千面”精准推送
在复旦大学产业与区域经济研讨中心主任范剑勇看来，未来商业的发展趋势应该是 “消费驱动出产”，这不是靠传统互联网经济的 “长尾效应”，而是把 “个性化定制”与 “规模化出产”结合起来，依靠算法的精准性来推进出产率提升。
完成消费驱动出产的根底，是一幅幅用户 “工笔画”——用户数据的颗粒一定要细，能够说，谁能画出更精准的用户画像，发掘更多的需求维度，谁就能提供更精准的商业服务，完成更高的购买转化率。
这幅用户 “工笔画”既能够经过不断发掘用户自身数据的相关度取得，也能够经过外部环境与其交互的反应取得。明略科技集团营销智能国家新一代人工智能开放立异渠道负责人表示，他们正在基于多源异构数据构建常识图谱，发掘数据中更深层次、更全面的相关联系，取得高价值的智能洞悉。简略来说，和类似 “黑箱”的深度学习相比，常识图谱愈加直观且更具解说力。当把数据转换为常识，使用人工智能辅佐决策，有望完成 “千人千面”的精准匹配。
关注微信
