此文是我阅读《电商产品经理宝典：电商后台系统产品逻辑全解析》一书的学习笔记，为后续我司做家居电商后台系统储备相关领域的业务知识。
一、支撑线后台概览“前端用户的一小步，后台系统的一大步”，平时常见的功能如购物车、优惠券等，看似简单，实则在后台要经过很多条件的校验、多系统间的信息流转。下图是前端的一个简单的下单操作在后台系统多系统模块之间的配置的流程。
电商后台系统，其实也不能叫做一个系统，可以称为后端支撑产品线，一些公司将其拆分为很多子系统（比如阿里将其发展为了中台事业群，像商品中心、搜索事业部、共享业务平台等等），其作用主要是业务支撑、优化服务流程、提高服务效率，还可以提供数据分析参考，进而为业务调整提供参考。
电商行业的许多业务与传统零售业类似，构建后台系统的过程实际是在做信息化供应链，马士华老师《供应链管理》中的供应链管理体系构建总体模型，电商后台产品的许多业务都在这张图中有所体现。
好的产品架构对于一个企业来说非常重要，电商业务支撑系统必须具备稳定性、可扩展、操作便捷、安全性强等特点，产品经理在设计产品架构时，应充分考虑到业务发展需要，尽量将各模块隔离（比如以商品模块建立商品中心，以订单模块建立订单中心等），模块化思想+具有前瞻性。下图是一个简化版的电商后台产品架构图：
这里的WMS是指仓库管理系统，主要包括入库、出库、盘点等模块，主要和调度中心进行数据交互，反馈入库状态和库存变动。而风控中心则主要利用大数据进行用户信用建设、反欺诈，避免恶意评价、刷单退款等操作，构建安全的电商购物环境。
对于电商公司来讲，最核心最难做的有三部分：商品、订单和库存，系统之间业务逻辑和交互异常复杂，规则多样。
对于电商后台系统，也是从简单到复杂，随着业务慢慢迭代发展的，最开始的时候商品只是一个模块，在业务量逐步增长时，会慢慢拆分成多个模块，后期会独立为子系统，然后库存模块又会从商品中心独立出来... 而对于业务进行拆分，定义产品架构，支撑中长期业务的发展，不仅极其考验产品经理的能力，也考验架构师的能力。在《企业IT架构转型之道》中了解到，阿里中台体系中衍生出了一个业务架构师的角色，那是一群既懂业务（这里看来就是偏向产品经理的角色能力）又懂技术的复合型人才，是突破传统互联网产品经理和传统信息系统架构师的新角色。
二、电商后台主体架构 Part 1 商品中心类目和品牌管理 => 解决商品属于什么的问题
类目
后台类目：基础数据类目，相对稳定，面向平台商家
前台类目：前台展示类目，方便用户筛选查找
品牌
商品必备属性，品牌关联目录可以提升发布商品的便捷性
属性管理 => 解决商品是什么的问题
属性分类
关键属性：唯一确认“产品”的属性，eg.手机“品牌”+“型号”
销售属性：规格属性，eg.服装“颜色”、“套餐”和“尺码”
非关键属性：除关键属性和销售属性之外的其他属性，不一定是非必填项
商品属性：商品的特有特征非产品属性，eg.新旧程度（九成新）、保修方式
属性管理
属性分组：前端可以按后端设置的属性分组按序展示，eg.屏幕参数、镜头参数、曝光控制等
属性继承：每一层级的商品继承上一层级的商品属性，搭建属性库让各叶子类目调用
SKU与SPU
SKU：最小库存单元，eg.iPhone 7 Plus (土豪金，32G) => SKU
SPU：标准化产品单元，eg.iPhone 7 Plus => SPU
关系：一对多 或 一对一
组合SKU：组合商品，在前台是一个商品，在后台是多个SKU，eg.紫檀中式饭桌组合 => SKU1(鼓桌) + 4 * SKU2(凳子)
商品编辑与管理
商品编辑
价格&规格
商品图、商品详情描述、物流信息：商品详情页一般会区分电脑版和手机版
其他：例如售后服务（发票、保修服务、退换货等等），上下架时间等等
商品管理
上下架管理：批量上下架、自动下架规则...
价格管理：市场价、平台价、促销价、动态调价系统...
促销活动：满减、套装、优惠券等...
商品标签：活动标签（热销、新品）、服务标签（分期付款、极速退款）、性能标签（专柜正品）
商家管理：违规下架、商品审核...
库存管理：同步仓库的实物库存或自设活动库存等
其他：销量统计、商品限购（一般是促销商品）、商品评论管理（舆情）等等
商品搜索和筛选 => 密不可分
商品搜索
业务流程：输入关键字→分词服务→数据查询→搜索排序→结果输出
商品筛选
筛选条件：价格区间、品牌、服务（如京东自营、分期购、次日达、天猫与淘宝等）、分类、商品属性等
商品推荐
常规推荐
固定商品放在推荐位 或 基于商品之间的关联性，eg.买了奶瓶之后推荐奶粉
不因用户不同产生差异，根据运营配置的活动或固定商品（商品精选）
个性化推荐
收集用户信息、产品信息及用户画像，利用推荐算法，提供个性化商品推荐
四大模块：用户行为记录模块、用户行为分析模块、商品分析模块、推荐算法模块
核心要点：完善推荐算法，保持推荐的多样性
商品评价
两个维度：订单整体 和 商品