之前的文章，已经实现将商品摆上货架，已经指出了用户分析的方向和改进的策略，我们假设该过程已经有条不紊的进行中。 

商品摆上货架后，最关键的就是如何匹配到对应的用户呢？

1. 人货匹配

商品和消费者的匹配，要么是商户将商品主动匹配给合适的消费者，要么是消费者主动寻找合适的商品。

1.1 商户主动推销给消费者

商户如何推销给消费者哪？这里实际是信息扩散的拓扑路径问题：

• 销售直接联系客户

直接联系客户包括电话、陌拜等各种形式。该方式特点是直接，缺点是电话或陌拜因对客户的信息了解较少，对客户的需求洞察不够透彻，效率较低。且过于突然的拜访，会太冒昧。

• 商户通过其他平台间接触达客户

通过其他平台间接触达客户的好处是，根据用户的习惯不同，用户对某些平台会更亲切，有心理预期，且在其他平台推广商品消息，无需投入过多人力即可覆盖较大的客户群，客户可以受到潜移默化的影响。

• 商户通过客户朋友圈间接触达客户

通过客户朋友圈触达与通过其他平台触达本质一样。 

客户触达最好的方式就是间接的“枕边风”模式，不要过度推销激起客户的防备心，最好让客户潜移默化的接受。如果商品够好，客户没理由不接受，如果有，那可能是没有给客户讲清楚商品的价值，或者某些原因激起了客户的逆反心理。

1.2 消费者主动找商户

商户直接或间接的向客户推销时，客户可能未立即产生购买行为，后续产生需求时，商户要尽可能让客户快速的找到商户或商品。

消费者找商户会怎么办呢？ 

最直接最常用的方案当然是问，问谁？问身边人、问商店的人、问App平台。

• 问人

问人是最直接的，问家人、问身边的朋友同事，但是身边人知道的信息不一定足够，肯定要继续扩大问的范围。

• 问商店

问商店，这里的问当然是广义的问，包括主动去实体店搜索、主动询问工作人员，随着范围的扩大，会提高找到合适商品的概率。

• 问App

问App，指的就是搜索互联网，包括各种电商平台、搜索引擎等。这里是最大的信息库，这里的信息最丰富。 

互联网的重要优势就是可以提供巨大数量的商品信息供用户选择，这当然是优点。但是，用户在互联网上淘宝，如同在大海里捞针，如果不能提供合适的手段，虽然商品在那里，但是用户可能就是找不到。

2. 被动搜索方案

问互联网，指的就是在互联网上搜索。

互联网上信息丰富，在互联网上搜索到想要的信息也需要丰富的搜索手段。

2.1 信息搜索方式

如果信息是文本信息，会使用文本框接受文本信息，如各种搜索引擎，就是使用关键字搜索。

如果信息量巨大，无论输入几个关键词，结果还是会一大堆输出，有几百几千页不止。

如果想要提高精准度，就会搜索特征的维度。比如对于卖房子的可能会堆户型、省市区、商圈、价格、上架时间…等等各种各样的字段，最终的结果就是搜索页面及其复杂，对用户而言极大提高了操作的复杂度。

产品经理们为了降低客户的抱怨，往往会优先考虑堆积查询条件，而忽略了用户体验。即使发现问题，准备优化时，也往往没有决策的依据，最终只能在交互上做小的优化。这当然是一种现实，是互联网上信息无限丰富必然带来的结果。

2.2 文本信息搜索

搜索引擎可以卖词条收取广告费，只要有流量进来，触达点击就能盈利。至于用户有没有找到自己需要的信息，对搜索引擎公司影响并不那么直接。

用户一个词条搜不到，会多次尝试，最终可能会搜索，也可能放弃，但只要下次遇到问题还来这个平台就没影响。并且不会因为这次没搜到就放弃这个渠道。毕竟搜索引擎的信息上架是自动完成的，信息的广度是足够的。用户找不到想要的信息，可能会找线下的渠道，或者学习更多搜索的技巧。

2.3 商品信息搜索

对于商品平台，平台要靠成交盈利，如果无法将商品送到客户面前，无法成交，平台就无法盈利。所以，商品平台对商品筛选的痛点更痛。

搜索平台的信息是不需要太多的人工维护的，商品平台需要提供客服、支付、物流等一系列后续服务，如果客户找不到想要的商品，带不来成交，最后的结果就是商家退出、客户流失，就不会有流量，这个线上市场就无法盈利。

3. 主动推荐方案

哪些搜索字段是符合用户需要的呢？应该怎么调研？

3.1 客户调研

如果是调研大的流程，直接选择种子客户做调研并没有问题，但是到具体的优化时，特别是B端客户调研很多时候靠不住。

比如你问：会用A字段搜索吗？不要问，问就是需要。因为用户如果说不会，下次遇到的怎么办？现在答应你又没有什么成本，谁会拒绝多多的搜索字段呢？

并且用户调研也只能在特殊的阶段调研核心的客户，首先覆盖的样本就不够丰富，并且用户给出的答案，会因为各种各样的原因，不准确。 

要了解用户，不仅要听其言，更要观其行。

3.2 专人服务

最好的观其行，就是安排专人服务。当然不可能给所有的客户都安排专人服务。在高价值的行业确实在使用该方案，比如月嫂、幼师、红娘、专职客服，他们不仅本身就是服务的直接提供者还是观察者，他们比产品经理更了解客户。 

在特定的行业，该方式比客户调研，覆盖到的样本要大的多，采集的信息可信度也高很多。但是同样存在问题，服务专员的知识在他自己的脑子里，非常依赖具体人的业务能力，他们能判断出用户的偏好，却不一定能描述出来，也就很难编写到程序中。

3.3 数据埋点

数据埋点是“用户行为”很便捷的工具，只要用户在平台内，理论上每个动作产生的行为都可以监控，都可以分析。难点是：

• 虽然现在普遍支持面相切面埋点，无需潜入业务代码逻辑，但是埋点过多，版本升级后，埋点很容易失效。

• 埋点获取的用户数据，如果要和业务流程关联，需要技术操作，如果没有事先埋好点，分析数据时，发现数据缺失，意味着该分析维度无法进行。

• 数据埋点只能观察到页面上已有信息的反馈，无法挖掘页面上未显式的信息。

• 数据埋点分析在某些场景下，分析思路太个性化，不利于统一管理，很依赖产品经理的数据分析能力。

3.4 机器学习

此处仅罗列一个：使用决策树机器学习算法，可以实现根据用户最终的行为，推断用户搜索的关注字段，并能预测用户的行为偏好，不仅可以优化搜索字段，也可以用于支撑用户推荐逻辑。

以上四种方式，并不需要相互替代，而应该相互补充，机器学习并不是万能的，但是当数据积累到一定程度的时候一定要上机器学习功能，会带来意想不到的收获。