一文理解淘宝购物车背后的逻辑淘宝没有加入购物车(11) _云知道

挑战二：核心链路业务确定性及算法接入
问题定义：上述阶段一、二方案在业务表现上存在弊端，主要表现如下：业务确定性：由于无法在核心链路引入拉菲等导购依赖，只能依靠前置商品筛选过滤，存在时延，营销利益点氛围透出用户侧表现具有不确定性，体验较差；
人货匹配的精准度：阶段二方案在购物车同步链路中使用基础规则针对用户进行商品营销氛围的透出，而人与货的匹配在交易核心链路由于rt稳定性等要求，无法引入算法进行计算获取最优解；
解决方案描述
将导购链路依赖通过异步链路下发，保障核心链路稳定性的同时获取业务的准确性及算法接入的能力：

氛围的渲染从同步链路解耦，既保障核心链路稳定性，同时保障了业务的确定性并提供了算法接入可能，帮助业务逐步追求最优解；
核心结果
购物车转化业务效果数据规模：保障稳定性基础上支持近几十万商品报名活动；券核销率：18年到21年券核销率提升超过50%；沉淀购物车异步能力：沉淀基础链路异步能力，将复杂业务逻辑与核心链路剥离，降低代码耦合，缩短核心接口耗时，保障核心系统稳定性。给业务场景扩展、快速迭代提供更多可能性；技术演进诞生nextRpc架构（新一代核心与非核心数据分段式混合响应框架）产生并在下单换购业务中落地；最后关于算法，再聊一些题外话，实际上近两年购物车有一个非常明显的变化，即业务与算法结合的场景越来越多了，这是大流量营销场景发展必然的诉求。同时更多大胆的技术突破与尝试为业务发展也带来了可能。目前购物车与算法结合的场景有：降价商品push推送、购物车常购、省心凑等。当下购物车链路中涉及算法以及异步的场景链路如下：

但我认为基础链路与算法的更合理、正确的合作模式依旧需要进一步的探索。做基础链路业务时间长了，有一个很难扭转的意识，即我们更多关注功能的正确性，很容易忽视算法的准确度，以及最终项目数据中算法的价值体现。例如常购和省心凑，实际上最终决定这两个功能是不是好用，利用率是不是高，除了操作功能正确性外，更重要的是算法推荐的个性化与精准度，购买决策核心永远都是商品本身。算法的准确度如何衡量、算法的结果价值如何评判，如何推送业务更好的迭代，是需要我们业务开发和pd一起往前探索的重要一步。
4.2 能力沉淀赋能更多业务实际上这些年在支撑淘宝业务发展的同时，也在不断沉淀通用的能力，赋能更多的独立购物车或者其他垂直业务快速迭代，例如：购物车优惠明细开发规范、购物车领券结算开发规范、购物车分组结算开发规范、购物车凑单氛围开发规范、购物车筛选能力开发规范、购物车商品卡片氛围开发规范、购物车上下游传参说明、奥创开发相关知识。
五、购物车的未来在哪近一年，淘宝购物车在提升转化和体验上，都有业务上的突破以及技术上的升级。例如从平台促转化来说， FY22财年以前，如果说我们都在找寻用户购物车内部商品的促转化点，提升购物车商品的流通的话（例如唤醒低转化商品激活购买欲、筛选商品提升购买决策等），那么FY22财年，我们开始尝试与算法进行合作，探索一些精准符合用户预期的购物车外的转化场景，例如常购、例如省心凑（凑单推荐），在提升用户体验的同时，获得购物车外的GMV场景。再例如体验上， FY22财年是第一次开始逐步关注用户体验的一年，购物车作为一个具备强烈工具属性的业务场景，用户体验应当永远放在第一位， FY22财年，淘宝购物车在价格体验上做了不少事情，例如高峰期算价不降级，和下单的价格计算一致性，购物车算价明细表达优化等。