一份來自數據情報公司Jumpshot的報告發現，亞馬遜上的消費者產品搜索比谷歌更多。此外，據Jumpshot稱，亞馬遜90%的產品瀏覽量來自該公司的有機網站搜索，而不是廣告或外部渠道。

因此，考慮到賣家優化亞馬遜搜索引擎A9算法的重要性，了解排名因素是值得嘗試的。

據廣泛報道，亞馬遜搜索引擎的目標是根據銷售潛力對產品進行排名。許多因素可以影響銷售，如價格、評論和產品頁面的文案，在這些領域表現出色的產品會獲得更好的排名。

事實上，賣家很難確定這些因素的相對重要性，尤其是在亞馬遜沒有披露這些影響因素的情況下。

預測產品銷售潛力

瀏覽亞馬遜各種產品的熱銷榜時可以發現，在許多關鍵類別中，比如“Electronics電子產品”和“Automotive汽車”，熱銷產品通常擁有最多的評論，或者幾乎是最多的評論。

產品評論的數量是否可以代表產品的銷售和排名？可以確定的是，買家在留評之前購買了產品。

機器學習可以做的不僅僅是生成預測。機器學習的一個鮮為人知的用途是創建模型，然后測試（在某些情況下）哪些特征對進行預測最重要。

本文將通過以下步驟教你使用該方法。

1、準備一個機器學習源文件，包含亞馬遜熱銷產品信息，包括評論；

2、使用谷歌的自然語言API通過評論情感分析來擴充這個源文件；

3、上傳這個文件到BigML（一個機器學習工具）；

4、生成深度神經網絡模型（即，模擬人腦識別模式）來預測數據集中評論的數量；

5、回顧對模型預測影響最大的特性。這些是獲得更多評論和銷售重要的因素。

源文件

在亞馬遜智能工具JungleScout可以找到2017年第四季度的熱銷產品清單。這份清單包括了大約10000種不同類別的產品。本文關注的是“Automotive”這個類別的示例。

數據集包含15列，比如亞馬遜標準標識號（ASIN）、產品子類別和產品名稱。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 

你還可以提取產品評論文本，并使用它來計算評論的情緒（評論的褒貶），以防它們具有預測性。加州大學圣地亞哥分校計算機科學助理教授Julian McAuley編寫了亞馬遜評論文本。我們從他的網站上下載了automotive評論以供測試。

該數據集有9列：

●asin

●helpful

●overall 

●reviewText 

●reviewTime 

●reviewerID 

●reviewerName 

●summary

●unixReviewTime

合并這兩個數據集，它們提供了許多潛在的預測因素，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

接下來，你可以試著捕捉評論的情緒。

評論的情緒

谷歌的自然語言處理API可以為你提供幫助，它可以處理評論文本并捕獲4個額外的字段：Clearly Positive（明顯積極）、 Clearly Negative（明顯消極）、Neutral（中性）的Mixed（混合）。

每個字段都包含一個“document score（文檔得分）”、“magnitude per document（每個文檔的大小）”和“highest-scoring sentence（得分最高的句子）”。

在這種情況下，谷歌自然語言處理API可以識別亞馬遜文本評論背后消費者的情緒。

亞馬遜也提供了一個產品評級(1星到5星)，該數據集中有這個評級。我們可以看看更細致的分析，是否能為你提供更多的預測因素。

以下是產品B00GG9FB8U的示例文檔和評論情緒。

{'asin': 'B00GG9FB8U',

'best_sentence_magnitude': 0.8,

'best_sentence_score': 0.8,

'document_magnitude': 7.3,

'document_score': 0.1}

在向數據集添加了情緒之后，我們可以了解哪些因素是最具預測性的。

使用BigML進行機器學習

將源文件上傳到前面提到的機器學習工具BigML。

選擇customer_reviews_count作為預測目標，選擇深度神經網絡作為要構建的機器學習模型類型。

BigML搜索了128個模型組合，以找到最佳性能。

以下是按順序排列的結果——銷售的首要預測指標。

1.Subcategory（子類別）——86.73%

2.Field1 （產品編碼）——9.6%

3.Item_name（產品名稱）——3.49%

4.Total_offers（總價格）——0.06%

5.Upc1——0.04%

6.Customer_average_review_rating（客戶評級）——0.03%

7.Max_price（最高價格）——0.02%

8.Min_price（最低價格）——0.01%

令人驚訝的是，評論的情緒沒有任何影響，評級（Customer_average_review_rating）和價格（ Max-price與Min_price）幾乎沒有預測效果。

根據使用BigML進行的機器學習分析，亞馬遜上的產品類別是預測銷售額的最佳指標。

產品類別和產品名稱的選擇可能會產生重大影響，因為一些產品和類別本來就很受歡迎，有很強的需求。同樣，產品的數量也預示著整體銷售的變化。

亞馬遜A9算法是一個神秘的存在。它是如何運作的？與它相關的因素有哪些？A9算法是如何影響排名的？【點擊此處】進入亞馬遜雨果平臺專區，探索A9算法的奧秘！

（來源：跨境峰哥）

以上內容屬作者個人觀點，不代表雨果網立場！本文經原作者獨家授權供稿，轉載需經雨果網授權同意。