这个迭代过程中，有这样一些判断指标：首先是不是大型时尚导购网站，其次是访问的强度，如果一天90%的流量都来自于某导购网站，这就说明你该产品在这个导购网站被重点强推了，我们根据流量来源和强度能判断我的商品在那个地方被推荐的位置和力度。通过这一系列指标来反推该网站的达人给我的商品排在什么位置。从形态来看，我们落地了很多达人导购的应用场景，天猫那边做了list落地，淘宝有不同业务线，每个都有选品问题，而人机结合的算法在后端有助于选品精准度的提升。
例如最近上线的淘宝新欢是一个面向中高端人士的特色选品，其背后的算法就是基于达人导购的思路建模的，我们都知道，现在去淘宝搜索商品，排序在前面的都是销量卖得很高的商品，反过来说，那一定是大路货，而不是特色商品，而达人导购本质上就是帮助你在嘈杂的菜市场找到水晶项链。正因为如此，它的指标定义一定不是根据销量来的，但怎么定义呢，肯定每个人对特色的定义是不一样的，我们的思路就是先找达人，找种子商品，形成特色商品池，并通过特色商品池获得一个有鉴赏力的人的池子，来回迭代。由于各个类目下有不同达人，而达人看的东西也会覆盖多个类目，这种来回不停迭代最终能将模型变得更为精准。
目前来看，我们也会遇到一些问题，主要集中于怎样将现有的模型与产品进行量身匹配，比如商品经常出现同款，同一件商品两个不同卖家都在卖，但在我们推荐或产品展现中肯定不能推出同样的产品，这时候怎样筛选就变得很困难，需要接其他的产品来来进行过滤。再比如，一些明显是假货的商品怎么过滤，也需要引入集团其他团队的工作来合作。
二、聚划算爆款的销售预言
如果说用达人来选品，主要是选择那些最有特色的，最吸引眼球的商品，那么聚划算的选品则希望挑出那些卖得最好的爆款。归根结底，两者在思路上没有本质区别，只是建模的过程存在差异。在聚划算做爆款模型的初衷很简单：原先的人工选品自由裁量权过大，导致腐败问题产生，我们就希望用销量模型进行销量预测，打分之后按照分数来选择。这是爆款选品模型的诞生起因，由于是对每一个报名参加聚划算的商品进行预测，因此背后的逻辑在于，就谁的销量更好给予排序。
随着聚划算业务发展壮大，每天报名的商家和商品也越来越多。目前，每天待审商品成千上万件。但审核小二人数有限导致了卖家催促审核来电量多，阻碍了卖家服务品质提升。同时，审核小二们靠经验去审核商品，并没有统一标准——选进来的商品能否卖得爆，小二们心中也没有把握。更进一步，从聚划算业务模式上来说，除了审核报名商品外,还需针对全网商品进行反向招商，这就急需要一个标准：来告诉我们哪些商品有可能卖爆，以及卖爆的可能性有多大;哪些商品是不靠谱的，以及不靠谱的原因又是什么。
三、大数据挖掘和分析就提供了这样的解决方案。
对于聚划算来说，小二决策的时候其实并不关心这款商品到底能卖多少万，而是关心哪个卖得最好，因为他要选最好的上，因此用到的模型仍然是排序的方式产出结果。我们用到了商品特征和卖家特征，以及商品最近一段时间被点击浏览和收藏的记录，还有就是商品的价格折扣率——因为说到底，来聚划算消费的人都追求极致性价比，折扣力度不够大根本卖不动。
由于是否上聚划算是一件结果导向的事情，因此目前并没有严格的ABtest来测试模型的准确度，但我们的做法是，假定有三件商品abc来报名，如果模型告诉我销量a高于b高于c，而三者全都高于平均水平，因此都可以上线，那么一旦产生了实际销量abc的销售额，则可以通过销售额看出两者相对顺序的排序是否和原来预测的一样，如果一致则说明这个模型是靠谱的。
爆款模型的未来会怎样?今天，爆款模型通过对每一个商品进行打分，给予运营小二在商品审核过程中的参考。既能选出爆款，又能降低审核工作量。而将来，随着业务经验在数据解决方案中的进一步沉淀，随着机器算法的进一步集成和参数调优，爆款模型将会在商品排序，卖家备货，反向招商中给予运营更多的帮助。甚至促进业务模式的改变。而随着该模型的推广，将会有更多我们想不到的需求，可以借助它得以解决。
