【臺灣RMN實例：露天市集】善用賣家大數據媒合，導MLOps強化場景行銷AI

早在2008年，本土C2C電商龍頭露天市集就開始經營廣告業務。到了2017年，他們開始利用數據來進一步驅動廣告業務，成立專責數據團隊，陸續推出了即時競價（RTB，Real-time Bidding）的關聯性廣告、廣告代投機器人等現代化數位行銷服務，也利用自家數據規模優勢，和其他零售商進行聯合數位行銷。

發揮C2C電商特性，用百萬間賣場數據作為精準行銷依據

露天推出的精準行銷服務都利用了一項零售業界少有的數據優勢，就是C2C電商平臺高達172萬間賣家數據。他們做了一套自動化賣家管理機制，不只能過濾掉劣質賣家，維護平臺交易品質，更能用來優化廣告和搜尋等數位行銷情境的商品排序。

進一步來說，露天從3個層級來對賣家評分，綜合這些層級的評分後，給予每個賣家各自的最終評分，並依照此評分調整賣家所有商品的曝光優先度。

這3個層級是賣場特性、銷售行為、商品特性。賣場特性包括會員所在地區、寄送地點分布、IP地址等賣場基本資料等；銷售行為包含訊息即時回應率、賣家的整體被點擊率、銷售滿意度、行銷轉換率等；商品特性層級則是包括商品貼標、商品如期出貨率、金物流選項多元性等。

露天也沒忘了用1,950萬名消費者數據來強化數位行銷。他們從頭自建了一整套消費者數據蒐集和分析平臺，紀錄消費者進站、瀏覽、點擊、加入購物車等，每一天累積超過千萬筆的事件Log。

蒐集這些數據後，結合露天自己的零售專業知識，為消費者貼上動靜態標籤，靜態標籤包括性別等客觀事實，動態則包括行為模式和預測型標籤。前者是消費者近期購物行為，後者則是綜合各式標籤及零售知識推論出的可能消費者分類，例如高流失風險消費者，或消費者可能的實際年齡層等。

為了密切追蹤消費者動態興趣，露天甚至會在推薦內容中混入一些與消費者標籤關聯性較低的內容，來測試消費者興趣近期是否有變動。並且，為了最大化預測型貼標對精準行銷的效益，他們在貼標時，還會同時使用不同演算法，例如Random forest、SVM、XGBoost等，並交叉比較不同演算法貼標後的行銷成效。

為了數據驅動精準行銷目標，打造數據基礎架構

露天現在的數據基礎架構及數據工程流程，也為了善用龐大賣家及買家數據驅動精準行銷為前提來設計。

多年前，由於露天網站流量龐大，為了節省商用網站流量分析服務的費用，他們自行打造了TypeScript Log及RTB Log紀錄器，作為替代品。直到2、3年前，他們進一步開始打造數據中臺，蒐集TS Log、RTB Log、ERP資料等原始資料，再經過ETL/ELT流程，整合廣告數據、網站數據及ERP數據，建立了專用的儲存及分析工具鏈。

露天數據分析師可以根據應用情境，到不同資料庫探勘及分析數據，再用BI工具來視覺化分析、呈現結果，與其他團隊或部門溝通。露天還會儲存過往數據分析師使用這些分析工具的查詢及存取紀錄，作為數據處理的經驗傳承。未來有類似分析需求時，不用從頭思考查詢指令，或需要包含哪些數據維度。這種做法也使經驗較少的數據分析師或非數據相關專業的主管能快速上手，使用這些數據分析工具。

為了快速開發、迭代ML模型，針對更多商業場景打造專屬模型，露天近年更導入了MLOps工作方法，統一數據查詢、數據集整理、模型訓練及更新、API生成、模型部署等流程，來縮短並標準化ML模型開發生命周期。這些不同場景的模型成了優化精準行銷重要的關鍵技術。目前，露天網站上有十多個專屬ML模型在負責不同行銷場景。

下一步，露天還要增加工程團隊對於數據變動及系統異常的反應速度。一方面，他們要整合SCM及廣告系統，來加速賣家及廣告數據同步效率；另一方面，還要為內部系統打造全自動化警報系統，一有異常就會自動通知負責工程師處理。

 相關報導