在网站重构的时候，整理需求，虽然是自建的 B2C 商城，但是因为品牌的增多，商品数据也指数上涨，老大对于 B2C 商城的发展方向的构思是平台化，而且消费者在搜索浏览商品时，平均深度在3页，需要优先展示优质的商品，满足用户的需求，提升网站转化率，类目列表和搜索结果列表的排序规则需要重新设计优化。
我们核心要解决的一个问题是：能够让用户快速查到想要的商品。这里的核心就是「想要的」，一方面我们就需要了解用户的画像，即人群特征和行为偏好，另一方面就是要推荐给用户普遍收欢迎的商品。这里就包含了两大层数据：输入层和输出层
- 输入层：这里的数据就包含：用户画像，行为偏好，搜索内容三部分
- 输出层：输出的是商品，对商品进行评估就需要全方位的分析商品的数据：商品名称关键词、商品属性（品牌、类目、风格、元素、尺码、版型…）、商品标签、价格、促销、商品销售、曝光量、点击率、流量、转化率、库存、退款率、评分…
把这些数据指标进行分类，设计了一下搜索排序模型：
每个模型会处理商品的评分，因为搜索的结果需要快速展现，预先对一些中高频的搜索词建立索引，而商品的打分的更新也会安排周期性，不会过于频繁。
- 相关性模型：匹配用户搜索词和商品类目、属性的相关性，这里对搜索词进行分词，优先匹配类目，然后匹配属性、标签，商品的属性区分优先级。
- 销售模型：统计商品销售情况，用到的数据有销量、转化率、退款率几个指标，销售占的权重较高，主要统计近三十天的销量。
- 人气模型：统计用户对商品的兴趣度，涉及的数据主要是点击率、流量、评分。
- 运营模型：运营人工干预的需求，商品的促销，新品的加权，剩余库存以及人工干预排序。
- 个性化模型：分析用户画像和行为偏好，用户人群画像，性别、年龄属性与商品的匹配度，用户的浏览习惯、消费习惯。对于用第三方统计工具的来讲，数据几乎不能收集，Google Analytics提供的受众群体受众特征的准确度也较低。