支撐“雙11”的IT技術

    馬上就要到了一年一度的線上購物狂歡節“11.11”。既然是線上，那么就少不了IT技術的支持。今天，IT培訓機構的小編就跟大家一起來扒一扒，支撐“雙11”的IT技術。

    AI+電商

 

    2018年，谷歌通過AI語音訂餐的場景讓人驚呼：AI語音交流讓餐館做到完全無感！現實中，又有多少人真的會通過AI訂餐？至今原本火熱的AI，正受資本市場的趨冷：看似炫酷，卻又面臨變現難題。AI落地場景在哪里？就是行業。

 

    AI在電商的一個典型場景，就是智能客服。相比人工固定成本及高流失率，智能客服24小時在線，不僅提升效率也有效降低成本。智能客戶的構建也并非那么容易：語義識別、語境識別，關鍵字識別，這里面涵蓋了語義邏輯、電商知識沉淀。

 

    識別率百分比高低，決定智能客服在電商業務中服務的參與程度、深度，而每1%的識別率提升都建立在海量數據的訓練，至今不論如何提升，智能識別亦無法實現100%，也決定“智能客服+人工客服”模式長久存在。

 

    數據埋點

 

    消費者畫像構建成為各行業營銷的代名詞，當然也包括電商。消費者畫像構建，當前除各種互聯網應用數據平臺收集匯聚及爬蟲外，還有電商平臺的自我收集，這就需建立埋點。消費者瀏覽到一個網頁，在哪里停留，停留多久，點擊哪里，都是有價值的信息，因為這里包含了他的喜好?；谶@些信息進行收集、整理，然后再結合其他數據，一個豐滿的用戶畫像也就出來。

 

    至于到底有沒有效果，對比下淘寶的“千人千面”以及今日頭條的定向推送，你就知道這些應用的威力。數據埋點是消費畫像構建的基礎。對企業而言，如何科學埋點，怎樣埋點，是各種互聯網應用都將遇到的難題，如何在不影響用戶體驗下，做到最精準的信息收集無疑是最理想的狀態。

 

    當然，很多電商企業依靠第三方埋點，有時無法數據回流，同時第三方數據標準各異，電商企業往往受到諸多限制。

    智能數據決策

 

    完成數據收集，接下來就需要數據治理及決策。數據治理是一個更麻煩的工作：先將所有數據進行ETL，接著導入數據倉庫，亦或者數據中臺，最后借助BI工具讓數據可視化展現，可視化的數據也就有了價值。

 

    看似簡單，期間的數據治理是真的繁瑣，且是個大工程，尤其對于大型企業，這涉及到跨部門、統一標注/安全機制等各種問題；對于電商零售，數據決策亦為精細化運營。如沃爾瑪經典的“啤酒+尿不濕”案例，正是數據的有效體現。

 

    智慧零售的“人貨場”，同樣適用于電商：人-店家的親和度、消費者舒適度；貨-產品的設計&質量、豐富度；商場-店家頁面的舒心度。這一切同樣可以由數據統一分析、展現，為電商企業提供調整決策參考。

 

    IT架構升級

 

    伴隨電商發展，支撐其業務的IT架構也逐步升級，整體大致分為幾個階段：

 

    單機網站時代：前端應用（即訪問網站）與后端數據庫存儲，在同一臺服務器上運行。在并發量不高，用戶體驗追求不極致下，該IT方案在低成本下有效支撐電商業務運轉。

 

    應用與數據庫分離：隨著電商市場逐步打開，前端并發量也開始增大，單服務器模式明顯無法應對高并發壓力。同時面對用戶購物體驗優化，優化前端代碼，提升應用服務器性能，也成為時下重點，定期的前端優化升級，無疑會對追求穩定的數據庫影響，于是應用與數據庫的服務器分離成為電商發展的趨勢。應用與數據庫分離，不僅釋放訪問壓力，也讓整體架構高可用。

 

    應用服務器集群化：移動互聯網的爆發，同步引發電商爆發，造成前端訪問海量高并發。當數據庫能力尚足，流量都將堵在前端。當前端代碼優化無法再滿足并發，就需前端服務器的橫向拓展，于是應用服務器的集群化擴展成為電商企業常態。

 

    數據庫讀寫分離：當前端應用拓展到一定程度，后端的數據庫服務將難以支撐，數據庫服務器需要拓展。數據庫與前端的應用緊密關聯，所有即便拓展也絕非簡單的橫向彈性擴充，而是“讀”與“寫”的分離，同時建立主從概念，保證與前端應用一致，避免重復性寫入。

    以上就是IT培訓機構的小編為大家總結的關于支撐“雙11”的IT技術的相關信息。當然，要想成功的做好“雙11”這個大活動，肯定不像文中說的這樣簡單，再這里就不一一說明了。