在新零售不断演进的今天，用户走进瑞幸，要的不只是咖啡，更是一种“被真正理解”的体验——口味、习惯、场景，甚至那一刻的心情。作为国内领先的连锁咖啡品牌，瑞幸咖啡正从数字化迈入智能化新阶段，以人工智能技术驱动“人、货、场”核心业务平台的智能化重构，构建面向未来的智慧商业决策体系。

为此，瑞幸与阿里云深度共创，基于阿里云人工智能平台PAI，共同打造了一套真正“以用户为中心”的端到端智能推荐系统。它不再依赖静态规则，而是通过理解用户的偏好和需求，为用户提供贴心的咖啡选择建议——无论是清晨提神的美式，还是周末慵懒的生椰拿铁，当你唤醒AI Lucky，“为你而选”的新品、优惠与搭配，就会送到你眼前，让每一次选择都更轻松、更安心。

过去依赖人工规则的推荐方式，难以动态响应用户变化；如今，借助双方联合打磨的数据链路、算法模型与运营机制，瑞幸不仅实现了推荐精准度的跃升，也让用户获得更流畅、更贴心的服务体验。

这次合作，是瑞幸AI能力体系进化的重要一步，更是与阿里云“一起设计、一起验证、一起交付、一起沉淀”的技术共创典范——不是单方面交付产品，而是共同构建面向未来的智能零售能力。

从规则驱动到 AI 驱动：赋能增长新范式

截至2025年第三季度，瑞幸咖啡已建立起覆盖全国超2.9万家门店的庞大网络。随着用户规模持续扩大，瑞幸咖啡也在不断探索新技术增加对于客户的理解，为客户提供更加灵活的服务，促进增长的发展。

为探索AI赋能增长新范式，瑞幸致力于构建一套具备高精度、可迭代、可扩展能力的AI推荐系统。经过多轮技术评估与方案论证，瑞幸最终与阿里云大数据AI平台合作共创，采用MaxCompute+DataWorks+Flink+Hologres+PAI技术架构，以PAI-Rec作为其新一代推荐引擎，依托其强大的大数据、算法能力与全链路服务支持，开启提升用户推荐体验的智能化升级。

与客户共创，助力客户能力沉淀

此次合作不仅是技术产品的落地，更是一次深度的“技术共创”实践。阿里云技术团队与瑞幸技术团队紧密协作，全程参与需求分析、POC验证、系统上线与效果优化。

在项目推进过程中，阿里云技术团队与瑞幸团队高效协同，高质量完成多组对比实验，并组织多次技术交流，协助瑞幸系统性地沉淀了数据处理规范、特征工程方法、模型调优策略及测试体系，为其后续自主迭代与业务扩展打下坚实基础。

展望未来：AI 驱动“更懂你的咖啡”

本次合作不仅为瑞幸带来了显著的业务升级，也为阿里云人工智能平台PAI在零售行业树立了标杆案例。

“本次与阿里云合作的AI智能推荐场景，提供的不仅是一个工具、一个解决方案，更是一次双方共创合作经验的落地。”瑞幸技术负责人表示，“从POC到全量上线，阿里云团队展现了极强的技术实力与服务意识。我们相信，AI将成为瑞幸持续领跑行业的重要引擎。”

一杯咖啡的背后，是海量数据的流转与AI模型的精准计算。随着推荐系统的持续优化，瑞幸咖啡的运营模式实现“更智能、更个性、更高效”。未来，双方还将探索大模型在用户意图理解、生成式推荐、跨场景联动等方向的创新应用，进一步释放AI在消费场景中的潜力。

瑞幸咖啡 x 阿里云大数据AI平台的合作，不仅是一次技术升级，更是AI赋能实体经济的生动实践。在智能化浪潮中，AI将成为您的专属咖啡助手——从海量风味中，AI推荐为您探索意想不到的惊喜之选，让咖啡更懂你。

阿里云 AI 推荐方案：打造端到端智能推荐引擎

下面将重点介绍阿里云AI推荐方案在该场景中的技术亮点与应用优势。

阿里云AI推荐方案是面向企业级场景的全托管推荐算法服务平台，深度融合阿里巴巴在电商、本地生活等高并发、高实时性场景下的推荐实践经验，提供从数据处理、特征工程、模型训练、测试验证到在线服务的一站式解决方案。

在本次合作中，阿里云为瑞幸咖啡量身打造了覆盖“数据 → 模型 → 服务 → 迭代”的完整推荐链路：

• 端到端系统搭建：基于全托管架构的阿里云大数据AI平台，搭建实时推荐全链路，快速构建从数据采集、实时特征计算、深度学习模型训练到在线推理的全流程系统，实现毫秒级响应的AI推荐服务。
• 精准转化率提升：通过引入深度CTR/CVR预估模型、多目标优化（MMOE）及序列建模（如DIEN），显著提升推荐内容的相关性与转化效率。经测试验证，最终转化率较原有规则系统提升明显。
• 全托管运维，释放技术负担：依托人工智能平台PAI的自动化运维与弹性伸缩能力，瑞幸团队得以从繁重的系统维护中解放，聚焦核心业务创新，大幅降低AI落地门槛。

阿里云智能推荐系统解决方案

阿里云为企业开发者提供全链路深度定制的推荐系统解决方案。方案涵盖了离线处理、在线服务、实时数据流和工程架构等多个维度，包括召回、排序、过滤和重排等功能模块，提供多种数据诊断分析、推荐结果调试和引擎发布管理等工具，通过A/B testing服务和实验报表平台提升推荐系统的迭代效率。

搭建一套智能推荐系统，主要分为四个步骤：数据准备、离线训练、在线服务以及算法迭代。

1. 数据准备

• 基础埋点与采集：首先需完成用户行为数据的埋点采集，包括曝光、点击、加购、收藏及下单等核心行为。 
• 基础表构建：进行数据ETL，产出三张核心基础表：用户表（包含属性及偏好标签）、物品表（包含类目、价格等属性）及行为表（记录用户与物品的交互时间及类型）。 
• 数据智能诊断：对原始数据进行潜在问题分析，评估特征的可用性与覆盖率，确保模型训练的质量。

2. 离线训练

• 算法定制开发：对召回（如Etrec协同过滤）、粗排、精排（如DBMTL多目标训练）等算法的深度定制。 
• 特征与样本准备：通过离线调度任务，完成特征抽取与正负样本构造。统一管理离线特征，确保离在线特征的一致性。 
• 模型训练与调优：模型训练，并利用AutoML进行自动调参，提升模型性能。

3. 在线服务

• 推荐引擎部署：部署召回和排序模型，处理在线推理请求。
• 特征实时读取：在线推理时，推荐引擎高性能存储中读取用户和物品特征，并传递给PAI-EAS打分。
• 联调与测试：上线前进行全链路联调，验证特征一致性，并观察推荐结果是否符合预期业务逻辑。

4. 算法迭代

• AB实验监控：通过配置AB实验报表实时观察AB实验效果。在实验结束后，进行数据诊断任务以深入分析实验表现。
• 闭环优化：根据实验结果调整特征和样本，或者调整模型架构后重新训练。
• 特征自动挖掘：引入 AutoFE（自动特征工程） 技术，利用算法自动挖掘新特征，进一步提升推荐的精准度。

搭建一套智能推荐系统方案，主要依赖的云产品，包括：PAI-Rec、PAI、FeatureStore、MaxCompute+Dataworks等。

PAI-Rec使用EasyRec训练召回和排序模型，使用PAI-Rec引擎搭建推荐系统；通过 DataWorks 编辑和调度特征工程、样本和模型训练的代码；使用特征数据库FeatureDB存储用户特征、i2i相关物品和向量库；使用PAI-EAS 提供可弹性扩缩容的打分服务。

具体说明如下：

• 人工智能平台PAI：面向开发者和企业的机器学习/深度学习工程平台，提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务。
• EasyRec算法框架：内置业界先进的深度学习模型，支持多种Tensorflow版本（>=1.12, <=2.4, PAI-TF)和 PyTorch 版本，覆盖了推荐全链路的需求，包括召回、粗排、排序、重排、多目标和冷启动等。开发者可基于EasyRec算法框架加速迭代推荐全链路需求。
• 大数据开发治理平台DataWorks/云原生大数据计算服务MaxCompute:基于云原生的大数据服务，可搭配使用，针对推荐系统中特征处理、样本生成、画像管理、模型调度、数据更新等环节，提供了易用的开发工具和稳定的数据环境。
• 特征平台管理工具FeatureStore：用于存储和管理离线和在线服务中的特征数据，确保了从离线到在线的特征统一与高效复用。同时，整合了阿里云上DataHub、Flink、Hologres和Tablestore等产品，并且自研了搜索推荐专用的特征数据库FeatureDB，提供特征管理功能。

这套“MaxCompute+DataWorks+Flink+Hologres+PAI”深度融合的技术架构，是面向零售、金融、出行等多行业场景的通用型智能数据中台范本。无论是构建AI驱动的推荐系统，还是实现全域数据资产的价值释放，阿里云Data+AI系列产品都能为企业提供从“数据到智能”的全栈赋能。

未来已来，智能不止于推荐。让每一次交互更懂用户，让每一份数据创造价值——阿里云大数据与AI产品组合，助力企业驶入智能化快车道。

作者： 闵加坤 | 淘天集团价格平台开发工程师

业务介绍

淘天价格力团队作为平台价格治理的核心部门，承载着淘宝天猫全域商品价格管理的重要职责。团队掌握着淘内外所有商品的全量价格信息，包括商品原价、券后价等多维度价格数据，每日增量数据规模达亿级以上。

在电商大促上下线时（如618、双11），价格变动频率会呈现数倍增长，这些海量数据不仅体量大，而且具有高时效性、强关联性和复杂变化特征。在大促常态化的现状下，行业运营急需高时效性的数据看板以便及时发现问题，并且需要商品维度、店铺维度等多维圈选能力，及时圈选出符合要求的数据并进行处理或分析。Hologres Dynamic Table完美契合业务需求。

Hologres Dynamic Table介绍

视图是基于表的虚拟表，不存储数据只存储查询逻辑，每次访问时动态执行SQL，返回最新结果，主要帮助我们简化复杂查询。如果没有视图，那么对于以下查询，需要我们自己保存到一个地方，查询时执行完整SQL。

SELECT region, SUM(amount) as total_sales 
FROM orders 
WHERE status = 'completed';

如果有视图，我们可以把查询托管给视图，直接查询视图，可以简化使用。

-- 创建视图
CREATE VIEW sales_summary AS 
SELECT region, SUM(amount) as total_sales 
FROM orders 
WHERE status = 'completed';

-- 查询视图
SELECT * FROM sales_summary;

视图虽然帮我们管理了SQL的定义，但是复杂逻辑SQL的执行通常很耗费时间。将视图的查询结果实际保存下来就是物化视图。物化视图的结果需要定期更新以保证数据新鲜度。所以物化视图就是预定义SQL + 物化结果 + 周期更新。

Hologres Dynamic Table与物化视图类似，架构如下，提供全量刷新与增量刷新两种刷新模式。

全量刷新就是在周期到来时进行一次全量刷新覆盖，相当于Insert Overwrite。

增量刷新每次只处理增量数据，原理为在底层创建一个列存state表，存储中间状态（类似Flink state）。增量数据先以微批次方式做内存态聚合，再与state表合并，最后提交时以BulkLoad写入动态表。

在 Hologres V3.1 中 Dynamic Table 的能力如下。

业务实践

数据圈选

业务背景

价格力团队需要为多个业务场景如商品价格回滚、全网比价等提供灵活的数据圈选能力，要求支持动态的指标组合和筛选条件配置。圈选集创建后，圈选结果也需要随底表数据的变化而变动，不同业务场景可接受的数据变化时间间隔也有所不同。

解决方案

Dynamic Table完美符合场景要求：工程基于不同的筛选规则翻译成相应的DQL，并根据业务场景的需求灵活设置数据新鲜度等配置参数，最终生成完整的Dynamic Table DDL。

指标系统： 指标系统中将表列配置为实体指标。业务指标提供高阶能力如级联指标、聚合、召回计算。

筛选组件： 提供通用筛选配置组件，根据业务场景展示相应指标

业务场景默认配置：Diamond中保存不同业务场景默认配置，包括刷新周期、刷新模式、默认召回条件、默认Join条件等

DDL生成： 将筛选条件与默认条件通过DSL翻译为Hologres Dynamic Table DDL

状态监控： 实现刷新状态检查机制，定期检查动态表刷新状态，区分未完成刷新和刷新后无数据两种情况

数据供给：动态表第一次刷新完成后，提供Flink和分页查询两种数据供给方式。若选择Flink，在动态表创建完成后会自动根据默认条件创建Flink任务，通常把数据变更作为消息发送给MetaQ。

应用效果

该方案可在秒级从亿级数据基表中完成Dynamic Table创建及初次数据刷新，已在价格力团队多个业务场景中部署应用，显著提升了数据圈选的灵活性和效率。

近实时报表构建

业务背景

数据看板的时效性越高，越能帮助运营及时发现问题，快速进行决策和业务调整。价格力团队内部分场景的报表数据原通过ODPS离线调度实现更新，但运营期望能有近实时分钟级数据。

解决方案

数据分层构建： 基于Hologres Dynamic Table实现ODS → DWD → DWS → ADS数据架构的近实时化改造

增量刷新策略： 采用动态表增量刷新机制，设置分钟级刷新间隔，实现近实时数据更新，并分钟级保存历史数据。

资源隔离保障： 通过使用Hologres Serverless资源减少与其他任务的资源竞争。

应用效果

应用效果： 成功解决了数据看板的时效性痛点，亿级底表数据，输入RPS 1W的处理时延从小时级降低至分钟级，可以灵活比对任意分钟数据的同比，双十一期间为运营团队提供了及时可靠的数据支撑。