数据情报公司Jumpshot的报告显示，亚马逊上的消费者产品搜索量已超过谷歌。此外，亚马逊90%的产品浏览量源自站内自然搜索，而非广告或外部渠道。
因此，鉴于优化亚马逊A9搜索引擎对商家至关重要，深入了解其排名因素显得尤为必要。
……鉴于优化亚马逊搜索引擎A9对商家的重要性，了解排名因素是值得的。
业界普遍认为，亚马逊搜索引擎旨在根据产品的销售潜力进行排名。定价、评论及产品页面文案等因素均会影响销售表现；在这些方面表现优异的产品，通常会获得更好的排名奖励。
由于亚马逊未公开各因素的具体权重，确定其相对重要性颇具挑战。本文将详细阐述我通过机器学习探究这一问题的过程。
预测销售潜力
在浏览“电子产品”和“汽车用品”等关键类别的畅销榜时，我发现顶级畅销品通常拥有最多或接近最多的评论数。
这引出了一个推测：产品评论数量能否作为销量的代理指标，进而反映排名？毕竟，评论者通常在购买体验后才会撰写评价。
为验证这一假设，我采用了机器学习方法。除了生成预测结果外，机器学习还能帮助识别哪些特征对预测最为重要。具体步骤如下：
- 准备包含亚马逊畅销品信息（含评论）的机器学习源文件。
- 使用Google自然语言API增强源文件，加入评论情感分析数据。
- 将处理后的文件上传至BigML（一款易用的机器学习工具）。
- 构建深度神经网络模型（模拟人脑识别模式），用于预测数据集中的评论数量。
- 分析对模型预测影响最大的特征，这些因素即为获取更多评论及带动销售增长的关键。
源文件构建
我从JungleScout获取了2017年第四季度的畅销书列表，该列表涵盖各类别约10,000种独特产品。本次测试重点关注“汽车”类别。
JungleScout 网站上列出了 2017 年第四季度亚马逊的畅销商品。
该数据集包含ASIN、产品子类别、产品名称等15列字段，具体如下：
- gl_product_group_desc
- 子类别
- 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
此外，为提取评论文本并计算情感倾向，我下载了加州大学圣地亚哥分校Julian McAuley教授收集的亚马逊汽车类评论数据。该数据集包含以下九列：
- asin
- 有帮助的
- 总体
- 评论文本
- reviewTime
- reviewerID
- reviewerName
- 摘要
- unixReviewTime
合并两个数据集后，形成了包含以下潜在预测因子的完整样本：
- reviewerID
- asin
- reviewerName
- 有帮助的
- 评论文本
- 总体
- 摘要
- unixReviewTime
- reviewTime
- gl_product_group_desc
- 子类别
- upc1
- item_name
- merchant_brand_name
- 客户平均评论评分
- 客户评论数量
- 是否有FBA报价
- 是否有零售报价
- 总报价数
- 最低价格
- 最高价格
- min_3p_price
- max_3p_price
接下来，重点在于捕捉评论的情感倾向。
评论情感分析
利用Google Natural Language Processing API，我对评论文本进行了处理，提取出“非常正面”、“非常负面”、“中性”和“混合”四个额外字段。每个字段均包含“文档得分”、“每文档幅度”及“得分最高的句子”。
Google Natural Language Processing API可以识别文本背后的情绪和情感——在本例中是亚马逊上的评论。
尽管数据集中已包含1-5星评分，但我希望通过更细致的情感分析来挖掘额外的预测因素。
以下是产品B00GG9FB8U的情感分析示例结果：
{'asin': 'B00GG9FB8U', 'best_sentence_magnitude': 0.8, 'best_sentence_score': 0.8, 'document_magnitude': 7.3, 'document_score': 0.1}
添加情感分析数据后，即可进入核心环节：识别最具预测性的因素。
使用 BigML 进行机器学习
将源文件上传至BigML后，我选择customer_reviews_count作为预测目标，并采用通常最强大的深度神经网络作为模型类型。
BigML通过搜索128种模型组合找到了最佳模型。以下是按影响力排序的销售额最佳预测因子：
- 子类别：86.73%
- Field1（产品编号）：9.6%
- Item_name：3.49%
- Total_offers：0.06%
- Upc1：0.04%
- Customer_average_review_rating：0.03%
- Max_price：0.02%
- Min_price：0.01%
令人惊讶的是，评论情感对预测毫无影响，而评分和价格的预测影响力也微乎其微。
根据使用 BigML 进行的机器学习分析，亚马逊上的产品类别是销售的最佳预测指标。
分析结果表明，产品类别和产品名称的选择对销量有重大影响，因为某些品类天生需求强劲。同时，产品报价的数量也是整体销售额的有效预测指标。