供给丰富度成为核心业务目标
拼多多正在经历增长见顶和竞争压力下的转型阵痛期, 过去“拉新拼低价爆款”的模式难再复刻
设计自驱AI的业务应用数据驱动设计实验设计与归因PC端
商品发布智能升级·商家和系统分工重定义
以供给质量和供给效率为主线的发布页重构, 让商家发得好, 发得快
大盘类目错放率-5.6%
总发布时长(单轮最大改善)-0.8%
时间线
2025/04-2026/05, 共8个子需求
团队构成
设计(我), 产品(2), 前端(3),测试(2), BI(1)
我的角色
项目负责人：独立发起需求、输出方案、跟踪实验、驱动多轮迭代
商品供给
丰富度
供给结构
供给质量
供给时效
供给质量如何影响丰富度
供给质量分“货本身好不好”和数字化质量：即平台上的信息准不准全不全, 又准又全才能被消费者侧精准匹配到
供给时效如何影响丰富度
供给时效影响平台上新速度, 网红款、季节品、新需求上架慢消费者容易流失
商品供给
丰富度
供给结构
供给质量
供给时效
供给丰富度成为核心业务目标
拼多多正在经历增长见顶和竞争压力下的转型阵痛期, 过去“拉新拼低价爆款”的模式难再复刻
供给质量如何影响丰富度
供给质量分“货本身好不好”和数字化质量：即平台上的信息准不准全不全, 又准又全才能被消费者侧精准匹配到
供给时效如何影响丰富度
供给时效影响平台上新速度, 网红款、季节品、新需求上架慢消费者容易流失
类目错放
类目错放现象覆盖广泛行业, 举例
为什么解决这个问题重要
搜推/比价算法的P0级关键字段, 影响人货匹配效率/平台低价心智
商品标题低质
33%+
下架/限流商品是因为标题违规
商家发布中/发布后反复修改试错
超过50%的发布单编辑标题≥3次
约20%的商品首次上架后, 7日内修改标题≥2次
为什么解决这个问题重要
搜推算法的P0级关键字段, 影响人货匹配效率
规格模块发布耗时长
64%+
的商品发布时长由规格模块贡献
不同商家用时差异大, 日均重复操作次数高
规格模块总时长的78%
发布次数的43%
为什么解决这个问题重要
最小改动最大化缩短整体发品时长、收益最大
解决方案和效果
解决类目错放问题
现状: 完全依靠商家自己的判断来选
类目决定商品发布页的字段配置, 不同类目的字段差异很大, 因此需在填写商品信息前完成
核心痛点
商家不懂分类
比如, 将网球裙放进女装类目, 正确应该放进运动类
商家懂, 但故意放错
蹭流量/逃避比价, 比如将“咖啡机”放进礼品类目
发布页结构重组, 前置上下文, 自动选择类目
问题是前置什么上下文?
实验组A
商家填主图, AI输出标题+类目
主图
商家输入
标题
AI输出
类目
AI输出
大盘错放率-3.7%
实验组B
商家填主图+标题, AI输出类目
主图
商家输入
标题
商家输入
类目
AI输出
大盘错放率-5.6%
解决标题低质问题
商家写不好标题
主体不明确, 关键词堆砌, 如: 短裤中裤七分裤
虚假宣传/极限词, 如: 全网唯一, 全网最低价
缺乏核心卖点, 属性词/使用场景/人群描述等
系统可以接管, 但事实性描述仍需商家和系统把关
纯棉vs99%棉
国产vs进口
把人留在标题环路, 主图/标题/类目分3步走
如果简单采用AI靠图生成标题, 又重走了上面实验组A的弯路(图生标题+类目), 可能导致类目错放率提高, 所以标题的设计, 也要考虑保持类目输出质量
BEFORE
主图
商家输入
标题
商家输入
类目
AI输出
AFTER
主图
商家输入
标题
AI+商家输出
类目
AI输出
标题低质商品量-26.3%
批量导入规格值
AI批量导入值
给值批量匹配图
提升规格模块发布时效
通过对慢发布商家做抽样调研, 发现不同的行为模式如下
搬运模式本地Excel或竞对平台已发布数据, 需复制粘贴到我们平台
核心痛点
当前操作路径繁琐, 缺少一次性的大批量数据导入渠道
解决方案(MVP)
支持本地/其他平台非标文本数据通过AI导入, 图片支持手动批量匹配
批量导入规格值
AI录入非标数据
给值批量匹配图
连续图值匹配
规格模块发布时长-6.1%
手搓模式本地有规格图, 但未维护完整规格值数据, 需现场构思
提升规格模块发布时效
通过对慢发布商家做抽样调研, 发现不同的行为模式如下
搬运模式本地Excel或竞对平台已发布数据, 需复制粘贴到我们平台
核心痛点
当前操作路径繁琐, 缺少一次性的大批量数据导入渠道
解决方案(MVP)
支持本地/其他平台非标文本数据通过AI导入, 图片支持手动批量匹配
批量导入规格值
AI录入非标数据
给值批量匹配图
连续图值匹配
规格模块发布时长-6.1%
批量导入规格值
AI批量导入值
给值批量匹配图
手搓模式本地有规格图, 但未维护完整规格值数据, 需现场构思
核心痛点
操作路径长和繁琐; 规格值命名能力弱
解决方案
简化传图填值路径, 增加AI推荐值降低命名难度
批量本地传图
打通本地直传/批量能力
图值对照
减少图片预览
增加推荐规格值
降低命名难度
总发布时长-0.8%
项目过程
以上项目中, 2个是产品侧需求, 我主导设计方案; 其他6个都是我的自驱项目, 我作为项目负责人, 设计方案和实验, 推动落地
意图不明确: 商家未改动过AI推荐类目, 自动覆盖+轻提示
意图明确: 商家已手动修改过类目, 弱推荐新类目, 下一步前强引导确认
商品类目的上下文变动场景, 按商家意图分层设计
背景
系统判断商品类目的上下文(商品主图和商品标题)支持逆流程修改, 因此需考虑商家修改后, 如系统判断出现变化, 应如何同步给商家并做更新
解法
按商家意图分层: 意图明确场景且与系统判断有冲突, 弱推荐并在下一步前做强提示, 引导用户二次确认; 意图模糊场景且与系统判断有冲突, 直接覆盖并轻提示用户
3个场景的思考取舍收敛为系统接管设计决策框架
3个步骤
1. 需求视角需要怎么样的系统接管程度; 2. 系统能力视角判断是否有能力接管; 3. 风险视角定义如何接管
3个循环
1. 输出质量不达标, 考虑补上下文; 2. 输出质量不达标, 考虑更严格的接管形态; 3. 开发成本过高, 考虑拆分任务, 缩小范围
