eBay在人工智能道路上的成败得失：衡量标准是关键

我是2006年加入eBay的。2009年，这家公司的运营状况非常糟糕，其股价创历史新低（远低于近24美元的历史高位），还出现削减各项成本、负增长、市场占有率降低、技术团队缺乏创新能力等情况。

简而言之，eBay公司处境艰难。

转机在于公司对于技术的投资。尤其是，eBay公司开始利用技术、数据和人工智能推动业务发展。我有幸参与组建搜索科学团队，我们的团队是最早利用机器学习优化买家体验并帮助买家在eBay网站上更轻松搜索到心仪商品的少数几支团队之一。

我们着手构建一个能够提升客户体验和公司收益的人工智能模型，但首次尝试并不尽善尽美。部署人工智能的前景一片光明，但道路布满荆棘。无论是企业主、决策者、工程师还是数据科学家，了解AI模型可能无法按预期工作的原因很重要，因为这样才可以对模型进行修复，提高模型有效性。

构建首个模型

因为目标是创造收益，所以我们的团队在开始构建AI模型时，着眼于提升每次会话的购买量，即购买者在一次用户会话中购买的商品平均数量。

我们的AI模型关注销售率（即商品销售次数）而不是展示次数（即商品浏览次数），价格较低的商品的销售率要远远高于昂贵的商品，因此往往会出现在搜索结果页前列。

我们尝试了不同的机器学习模型，用于重新构建买家查询的模型，生成特征用于排序的模型，以及对最终搜索结果进行排序的模型，等等。接着，我们进行了一系列AB测试来评估模型结果，并取得了巨大成功。许多模型证明买家转化率有所增加。其他团队也因此备受鼓舞，开始努力提高每次会话的购买量。

一切看似美好。直至财务团队发现，AB测试虽然取得了成功，但事实上并没有转化为收益的增加。

有效模型不一定是盈利模型

我们一定在某些地方出了差错，需要尽快采取新的解决方案。在公司运营举步维艰的时候，我们却没有对公司的收益做出贡献。

在深入研究不同的搜索结果后，我们发现一个有趣的现象：我们通常将配件排在搜索结果页前列。例如，当买家搜索“iPhone”时，多款iPhone手机壳便会出现在搜索结果页前列。虽然这些配件在网站上很受欢迎，但并非是当前用户想要搜索的商品，这就造成我们所说的“配件污染”，从而导致糟糕的用户体验。

原来如此！我们得出了营业额下滑的原因：10美元手机壳的利润要远远少于300美元iPhone手机的利润。在应该推荐价格较高的手机时，

我们的模型却推荐了价格较低的配件。

我们构建的模型成功地按照预期运作，但方向却是错误的。

选择正确的衡量标准

很多时候，成功取决于衡量标准。

自构建模型以来，技术团队将不同目标统一为一个目标，即提高销售额。将提高销售额作为唯一目标，以客户为中心，是卖家和买家所共同希望的，也是我们最终想要实现的。

因此，经过多轮讨论后，我们开始通过每次会话的购买量来衡量成功。最初，我们的AI模型实现了预期目标，但却导致了糟糕的用户体验，也未能实现业务增长。我们需要构建不同的AI模型，找到新的解决方案。更重要的是，要确定衡量AI模型成功的新方法。显而易见，“每次会话购买量”这一标准导致我们的团队及AI模型偏离了正确轨道。

我们要引以为戒：衡量标准指引着AI模型的构建方向，要谨慎地做出正确的选择。

后来，我们将价格相关标准引入模型，解决了“配件污染”的问题。更重要的是，我们改变了衡量标准，从每次会话购买量变为每次会话商品交易总额（GMV）。在作出上述调整后，我们成功构建了一个有效且可盈利的模型。

人工智能工程浩大，但值得一试

自从我们的团队向整个公司展示了机器学习和数据的强大力量后，越来越多的团队开始利用人工智能来推动业务增长。最终，人工智能对公司收益产生巨大影响，并帮助公司实现了惊人转机。

截至2012年，eBay公司股价上涨了65%，在商业领域实现了约1750亿美元的盈利。该盈利额约占全球电子商务市场的19%，约占全球零售市场的2%。

如果eBay公司没有采用AI策略，其目前境况可能会大相径庭。如今，错失AI这一良机就意味着失去行业竞争优势。

部署AI可能让人感到不知所措且充满技术挑战，但请记住这是一个过程。首战告捷的几率并不高，但若您能从错误中吸取教训，并确定正确的衡量标准，便可以构建具有真正影响力的强大工具。