一份来自数据情报公司Jumpshot的报告发现，亚马逊上的消费者产品搜索比谷歌更多。此外，据Jumpshot称，亚马逊90%的产品浏览量来自该公司的有机网站搜索，而不是广告或外部渠道。
因此，考虑到卖家优化亚马逊搜索引擎A9算法的重要性，了解排名因素是值得尝试的。
据广泛报道，亚马逊搜索引擎的目标是根据销售潜力对产品进行排名。许多因素可以影响销售，如价格、评论和产品页面的文案，在这些领域表现出色的产品会获得更好的排名。
事实上，卖家很难确定这些因素的相对重要性，尤其是在亚马逊没有披露这些影响因素的情况下。
预测产品销售潜力
浏览亚马逊各种产品的热销榜时可以发现，在许多关键类别中，比如“Electronics电子产品”和“Automotive汽车”，热销产品通常拥有最多的评论，或者几乎是最多的评论。
产品评论的数量是否可以代表产品的销售和排名？可以确定的是，买家在留评之前购买了产品。
机器学习可以做的不仅仅是生成预测。机器学习的一个鲜为人知的用途是创建模型，然后测试（在某些情况下）哪些特征对进行预测最重要。
本文将通过以下步骤教你使用该方法。
1、准备一个机器学习源文件，包含亚马逊热销产品信息，包括评论；
2、使用谷歌的自然语言API通过评论情感分析来扩充这个源文件；
3、上传这个文件到BigML（一个机器学习工具）；
4、生成深度神经网络模型（即，模拟人脑识别模式）来预测数据集中评论的数量；
5、回顾对模型预测影响最大的特性。这些是获得更多评论和销售重要的因素。
源文件
在亚马逊智能工具JungleScout可以找到2017年第四季度的热销产品清单。这份清单包括了大约10000种不同类别的产品。本文关注的是“Automotive”这个类别的示例。
数据集包含15列，比如亚马逊标准标识号（ASIN）、产品子类别和产品名称。以下是列的完整列表。
●gl_product_group_desc
●Subcategory
●asin
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
你还可以提取产品评论文本，并使用它来计算评论的情绪（评论的褒贬），以防它们具有预测性。加州大学圣地亚哥分校计算机科学助理教授Julian McAuley编写了亚马逊评论文本。我们从他的网站上下载了automotive评论以供测试。
该数据集有9列：
●asin
●helpful
●overall
●reviewText
●reviewTime
●reviewerID
●reviewerName
●summary
●unixReviewTime
合并这两个数据集，它们提供了许多潜在的预测因素，如下所示：
●reviewerID
●asin
●reviewerName
●helpful
●reviewText
●overall
●summary
●unixReviewTime
●reviewTime
●gl_product_group_desc
●Subcategory
●upc1
●item_name
●merchant_brand_name
●customer_average_review_rating
●customer_review_count
●has_fba_offer
●has_retail_offer
●total_offers
●min_price
●max_price
●min_3p_price
●max_3p_price
接下来，你可以试着捕捉评论的情绪。
评论的情绪
谷歌的自然语言处理API可以为你提供帮助，它可以处理评论文本并捕获4个额外的字段：Clearly Positive（明显积极）、 Clearly Negative（明显消极）、Neutral（中性）的Mixed（混合）。
每个字段都包含一个“document score（文档得分）”、“magnitude per document（每个文档的大小）”和“highest-scoring sentence（得分最高的句子）”。
在这种情况下，谷歌自然语言处理API可以识别亚马逊文本评论背后消费者的情绪。
亚马逊也提供了一个产品评级(1星到5星)，该数据集中有这个评级。我们可以看看更细致的分析，是否能为你提供更多的预测因素。
以下是产品B00GG9FB8U的示例文档和评论情绪。
{'asin': 'B00GG9FB8U',
'best_sentence_magnitude': 0.8,
'best_sentence_score': 0.8,
'document_magnitude': 7.3,
'document_score': 0.1}
在向数据集添加了情绪之后，我们可以了解哪些因素是最具预测性的。
使用BigML进行机器学习
将源文件上传到前面提到的机器学习工具BigML。
选择customer_reviews_count作为预测目标，选择深度神经网络作为要构建的机器学习模型类型。
BigML搜索了128个模型组合，以找到最佳性能。
以下是按顺序排列的结果——销售的首要预测指标。
1.Subcategory（子类别）——86.73%
2.Field1 （产品编码）——9.6%
3.Item_name（产品名称）——3.49%
4.Total_offers（总价格）——0.06%
5.Upc1——0.04%
6.Customer_average_review_rating（客户评级）——0.03%
7.Max_price（最高价格）——0.02%
8.Min_price（最低价格）——0.01%
令人惊讶的是，评论的情绪没有任何影响，评级（Customer_average_review_rating）和价格（ Max-price与Min_price）几乎没有预测效果。
根据使用BigML进行的机器学习分析，亚马逊上的产品类别是预测销售额的最佳指标。
产品类别和产品名称的选择可能会产生重大影响，因为一些产品和类别本来就很受欢迎，有很强的需求。同样，产品的数量也预示着整体销售的变化。
亚马逊A9算法是一个神秘的存在。它是如何运作的？与它相关的因素有哪些？A9算法是如何影响排名的？【点击此处】进入亚马逊雨果平台专区，探索A9算法的奥秘！
（编译/ 王璧辉）
【特别声明】未经许可同意，任何个人或组织不得复制、转载、或以其他方式使用本网站内容。转载请联系：editor@cifnews.com