零售一手資料的另類玩法，本土C2C龍頭從百萬賣家數據挖寶

零售業最寶貴的數位資產是什麼？超級個人化行銷浪潮下，「消費者數據」幾乎成為了標準答案。不過，對本土C2C電商龍頭露天市集來說，這只是答案的一半。數位行銷的目的是促成買家與賣家的交易，用過往交易數據來驅動數位行銷時，怎能只聚焦於買家？

露天市集是臺灣零售商跨入數位行銷界的先行者。早在零售媒體聯播網浪潮的16年前，他們就開始經營零售廣告業務。一開始的商業模式較為傳統，隨著他們不斷發展廣告技術，陸續推出了即時競價（RTB，Real Time Bidding）的關聯性廣告、廣告代投放機器人等現代化數位行銷服務。2021年起，他們更開始從172萬間賣家數據下手，結合1,950萬名消費者數據，來強化商品推薦及廣告功能。

深度應用賣家數據於推薦和廣告，而不只是供應鏈管理，在零售業相當少見。催生這套奇招的幕後推手是露天市集產品長劉彥伯。資管專業出身的他具備工程基礎，加上科技業產品經理及行銷業廣告投手的經歷，使他能主導露天市集商品推薦和廣告業務的IT設計。

為百萬賣家自動分級，提升交易、推薦及廣告品質

2021年，劉彥伯剛加入露天擔任產品經理，開始關注露天有一項業界少有的數據優勢，就是大型C2C電商平臺的賣家數據。

劉彥伯解釋，露天作為一個C2C平臺，賣家上架商品門檻遠低於B2C電商。這使他們累積了172萬間賣家，收錄高達3億件商品──Momo的100倍。這個規模，使他們難以像B2C電商，用嚴謹供應鏈管理（SCM）流程來一一審查賣家商品品質及訂單履行能力。

這個情況下，他們必須打造出一套自動化賣家管理機制，兼顧平臺上的交易品質、消費者所見的推薦內容品質，以及賣家的廣告投放成效。露天的做法是，用超大量且複雜的賣家及商品數據，打造一個評分機制，根據賣家站上表現，來動態決定賣家及商品曝光情形，期望促成優良交易，來達到平臺、買家、賣家三贏。

這個機制利用ML演算法，根據上百種因素，從3個層級為賣家加減分。露天再根據綜合評分，決定商家在搜尋頁面、推薦欄位及廣告曝光的排序。這3個層級是賣場特性、銷售行為，以及商品特性。

賣場特性層級是針對會員所在地區、寄送地點分布、IP地址等賣場基本資料來進行分級。劉彥伯解釋，這個層級主要是篩選出有異常行為的海外賣家，不過自從洗錢防制法要求較嚴格的賣家實名制認證後，這類賣家已大幅減少，因此這層級對排序影響幅度較小。

銷售行為層級對排序的影響幅度較大，這包括訊息即時回應率、賣家的整體被點擊率、銷售滿意度、行銷轉換率等。劉彥伯認為，客戶滿意度高、銷售情況良好，通常代表賣家行為和商品品質優良，商品資訊不完整或不實的情況低，因此銷售行為層級評分最重要。

還有一個重要的層級是商品特性層級，會根據商品數據，以及賣家販售個別商品的情況來評分。這包括商品貼標、商品如期出貨率、金物流選項多元性等。這個層級的用意是，當賣家只有少數商品出現異常狀況，例如特定產品缺貨，不至於大幅影響整體賣家評分。

為了讓新賣家能迅速累積交易數據，來適用這套評分機制，露天會先給新賣家一個臨時分數，高於同類型賣家平均分數，以獲得靠前排序，增加交易機會。一段時間後，露天便能撤掉臨時分數，根據賣家真實表現來評分。

賣家評分機制不只會作為賣家曝光排序依據，也是露天管理異常賣家的工具。若賣家分數過低，會被標註維異常，再交由真人審查，並視狀況降低排序、限制上架數、甚至凍結帳號。

以消費者互動情況來輔助賣家數據品質管理

之所以賣家評分機制中，露天最重視銷售行為層級評分，是因為劉彥伯認為：「消費者行為數據，可以視為對賣家品質的投票。點擊率、成交率，都是投票結果。」換句話說，有大量良好交易紀錄，等於是眾多買家替賣家的品質背書。

露天也秉持這個精神，來打造商品數據雜訊過濾機制。商品上架門檻低的露天，充斥著商品標題過於冗雜、圖文不符，甚至是惡意誤植關鍵字這類用來欺騙搜尋演算法的雜訊，例如將商品標註為「非Nike」，搜尋「Nike」時便有機會被出現在搜尋結果。這些雜訊會降低商品推薦精準度及消費者體驗。雖然帶有雜訊的商品上架一陣子後，自然會因為互動率低，而被推薦演算法降低排序。不過，露天還額外設置了一個主動過濾機制，來加速淘汰這些商品。

這個過濾機制利用消費者回饋作為異常商品的「投票」。當商品點擊率、轉換率或消費者評價過低，就會被標註為異常，供人工審查。通常，這些互動率非常低的商品，都會有圖文關聯性低或資訊誤植的情況。露天便會紀錄前述「非Nike」等雜訊到黑名單中，供演算法學習、過濾。

目前做法單靠商品層級的異常訊號來過濾，仍須人工辨識雜訊。下一步，露天還打算開發更低層級的雜訊辨認機制，讓用戶能針對個別商品標籤投下「有關」或「無關」票，露天便能更細緻了解消費者眼中，每一個標籤與商品之間的關聯性。

攝影／洪政偉

自建網站事件分析系統，累積上千萬消費者特徵成為策略聯盟資產

不只用上百萬賣家數據來支援商品推薦及廣告業務，露天也沒有忽略經營消費者數據的基本功。他們從頭自建了一整套消費者數據蒐集和分析平臺，每天紀錄消費者進站、瀏覽、點擊、加入購物車等上千萬次事件，並用這些數據來支援後續多種應用。

露天的消費者數據應用有2大特色，一是在站內推薦時，設計了主動觀察消費者行為模式變化的機制，第二是會利用龐大消費者數據規模，來和外部零售商進行行銷策略合作。

露天推薦系統會參考兩類消費者標籤，一類是性別等客觀事實的靜態標籤，還有另一類是興趣等會隨著時間改變的動態特徵。

為了快速更新動態標籤，推薦商品時，露天的演算法不只會根據消費者興趣標籤，還會根據商品常見購買周期、商品互補性等情況，來調整推薦內容，甚至，刻意夾雜關聯性較低的物件。根據消費者點擊狀況，露天便能拓展對消費者興趣的認識，以及測試過往興趣標籤是否依然有效，並依此來新增或移除動態標籤。

舉例來說，當消費者買了一臺電腦，近期不會再買第二臺，露天會根據常見回購周期，移除電腦興趣標籤，反而會推薦互補的電腦周邊。隨著消費者與這些周邊商品的互動，露天系統能接著學習消費者對3C周邊相關的興趣。透過快速且動態地增減興趣標籤，露天推薦系統就能隨著消費者需求來動態調整。

露天追蹤消費者行為模式，不只用來關注興趣變化，還會用於預測顧客流失。當消費者展現出即將降低消費頻率的徵兆，他們會加強促銷及溝通，嘗試挽留顧客。

第二個特色是，露天發揮自家消費者數據的規模、時間深度及領域廣度，來和外部零售商進行行銷策略合作。露天與合作零售商各自提供會員數據的雜湊值，先比對出雙方重疊會員後，在會員授權範圍內交流同一人在兩邊的足跡。

18年來，露天累積了近2,000萬名消費者數據，與其他零售商有大量重疊會員。不只如此，他們坐擁上億商品，能觀察到廣泛的消費者興趣領域。這些資訊，都能對其他零售業者發揮價值。一個實例是，合作零售商的許多會員對戶外用品有興趣，比對後發現，這些會員在露天還有被貼上健身及文青標籤。合作零售商原本就想經營這些族群，但自家數據不足以支持這個方向，只有透過露天更龐大的數據比對後，才確立了這個行銷策略可行。

劉彥伯認為，露天能在站內站外靈活運用消費者數據，是因為他們從頭到尾都自行建立數據基礎建設，能依照需求熟悉運用所需工具。不只如此，他們還不斷導入新技術和做法，以確保能運用數據來滿足時下需求。

推行現代化資料治理做法，更導入MLOps加速數據應用落地

8年前，露天曾遭遇一次嚴重DDoS攻擊，使他們面臨了巨量瞬間流量考驗。這次事件，迫使露天IT大幅提升處理爆量流量的功力，之後就算是雙11這種大檔期，都不曾出現過機房資源過載。

之後，露天不再等待狀況來臨才提升自家數據處理能力，而是主動導入現代化技術及做法。2、3年前，他們開始推行資料治理升級，一方面翻新數據架構，另一方面規定標準化數據處理及存取流程。

露天新數據架構的關鍵做法是打造數據中臺。過往，數據分析師必須明確知道數據來源，並親自撈取所需數據。後來，露天更明確區分了數據工程及數據分析職位，由工程團隊打造數據中臺，建立數據集散地及分析工具，來降低分析團隊存取及分析門檻。

露天數據中臺包括了由Hadoop打造的資料湖，以及負責不同用途數據處理的ELK、Solr/MongoDB、Oracle資料庫，分別作為廣告類數據集散地、網站事件數據集散地，及ERP相關數據集散地等用途。原始數據經過ETL/ELT流程後，會先匯入Hadoop，再根據不同用途，存入其他資料庫。

數據分析師根據應用情境，到不同資料庫利用Spark、Kibana等工具探勘及分析完數據後，會再用BI工具Superset來視覺化分析結果，與其他團隊或部門溝通。劉彥伯表示，這個做法不僅增加了數據應用效率，還強化了露天用數據來跨部門溝通的風氣。

這個新數據架構還有一個特色是，強調數據處理的經驗傳承，露天會儲存過往數據分析師的查詢及存取紀錄，供後續其他分析師參考。當有類似數據分析需求時，分析人員不用從頭思考查詢指令怎麼下，或需要包含哪些數據維度。

露天7年來，總共開發迭代了上百個不同ML模型的版本。為了標準化ML生命周期，去年他們導入了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。這個做法使他們能快速開發、迭代ML模型，並為許多商業場景打造專屬模型。例如，網站上不同商品推薦版面內的不同功能，會分別部署了各自專屬ML模型，累計超過十多個ML模型。

露天強化數據處理及整體IT效率的腳步還沒停下。下一步，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，並為賣家打造CRM數據平臺功能。他們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。這樣不只能為工程師省去大把盤查專案狀態的時間，提升作業效率，更能提升網站服務可用性，以提供良好買家及賣家體驗。

 CDO小檔案 

劉彥伯 露天市集產品長

學歷：國立虎尾科技大學資訊管理系

經歷：曾擔任東森購物產品與行銷經理、在雪豹科技期間擔任廣告平臺及區塊鏈交易所Bitrue的產品負責人，後來在將來銀行擔任打造純網路銀行App的專案主管，15年來在網路科技產業累積行銷及產品開發經驗。現任露天市集產品長，主導零售及行銷技術開發

 公司檔案 

露天市集

地址：臺北市大安區敦化南路二段105號5樓

成立時間：2006年

主要業務：C2C電子商務

員工數：200人

董事長：詹宏志

總經理：曾薰儀

 IT大事記 

●2006年：「露天拍賣」購物網站成立

●2008年：全站突破1,000萬物件，開始廣告業務

●2010年：首創7-11交貨便服務

●2012年：露天找東西APP上線

●2015年：全站突破1億物件

●2017年：開始自組數據團隊，開發關鍵字搜尋引擎、廣告平臺

●2018年：建立AI人工智慧實驗室，推出RTB廣告、廣告機器人、客服機器人

●2019年：陸續落地商品個人化推薦、搜尋等AI產品，與eBay合作海外跨境購物上線

●2021年：自建翻譯模型

●2022年：正式更名「露天市集」

●2023年：導入MLOps整合多數據源與多AI模型