
运用大数据+大众评审清理山寨品牌
近日从阿里巴巴品控部门获悉,一套以“大数据+大众评审”为核心的全新“组合拳”目前已经跑通了整个流程,近200个涉嫌山寨的品牌被识别并遭处理。据阿里品控部有关负责人介绍,未来这套高效、科学的模式,将作为常规机制,覆盖天猫平台各类目、全品牌。
所谓山寨商品,是指那些在商标、外观设计等方面与较高知名度品牌商品十分接近的商品统称,一旦商家涉及,很容易遭遇极为复杂的法律问题。既极有可能涉及商标侵权、外观设计侵权,也有可能构成不正当竞争。由于这些侵权行为界定缺乏明确、客观的具体标准,因此在法律实务中一直较难解决。阿里巴巴此次推出的新举措尤其引人关注。
近200个涉嫌山寨品牌遭处理
“对我们来说,不论是山寨商标或者山寨商品,都是需要打击的对象”。这位负责人介绍称,“我们通过日常的抽检工作发现,大部分山寨品都带有不同程度的质量问题,并且退款率远远高于平均水平。我们希望通过这个新的尝试,让治理山寨变得更透明、更灵活。”
据介绍,这套流程目前已完成试运行:大数据对天猫品牌库做日常的对接和扫描,通过对商标(商品)做文字、图像等方面的比对,筛选出具有一定混淆度的商标(商品),这些被筛选出来的数据又将组成“山寨预警模型”,该模型会根据大数据输出的结果不断优化,反过来验证数据的精准性。
与此同时,此次遭处理的近200个涉嫌山寨品牌,还经受了首批参与的23万大众评审员“火眼金睛”甄别。在经过大数据筛选后,这些涉嫌山寨的商标(商品)会被提交到淘宝大众评审员参与判断,每个需要至少推送给800至1000名大众评审员参与判断。
这些大众评审员的任务是,通过观察商标(商品)的外观、形状等方面,对“是否会产生混淆”这个问题做出“是”或“否”的选择。如果超过一定比例的评审员认为该商标(商品)对其产生了混淆,天猫即会启动一系列治理机制,比如该商标所属的旗舰店不再续签、相关商品删除等处理,未来还会考虑通过限制贷款、限制活动等手段对山寨商品做不同程度的处理。
大众评审团评估“消费混淆度”
山寨问题在法律界是如何界定的呢?记者通过阿里巴巴法务部了解到,山寨商品一直是网络交易中让消费者和品牌方反感的现象。
事实上,山寨商品这种“傍名牌”行为,不仅会造成消费者对商品的混淆,还有可能构成商标侵权或不正当竞争。而“大数据+大众评审团”的模式,是利用互联网大数据先进技术,对传统法律难题的一次尝试性解决,也是互联网+法律模式的有效尝试。
据介绍,在实践中,如何判断消费者是否构成混淆是非常困难的,因为这是一种主观判断,很难证明。在现实的司法实践中,品牌方或权利人一般需提供专业市场调查公司出具的市场调查报告作为证据,以线下搜集大量消费者的看法来证明消费者构成了混淆,但是该方法费时费力,还会存在许多不确定因素。
阿里巴巴法务部有关负责人介绍,针对山寨乱象,阿里将重点关注被大数据抓取到的涉嫌构成侵权的商标(商品),并通过大众评审团对其产生的“消费混淆度”做公开的评估。通过这个流程,最终会筛选出一批明确对正常消费造成混淆的商标(商品)作为重点治理对象。
该负责人介绍说,希望通过这套机制努力保证消费者良好的购物体验,并实现对知名大品牌知识产权的有效保护。
治理山寨现象须线上线下联动
据了解,近几年来,作为全球领先的在线交易平台,阿里巴巴在知识产权保护方面一直在持续加大投入。
此前,为严厉打击山寨、假冒“网货”,浙江省工商局与阿里巴巴集团曾联合签署了《联合打假合作协议》。该协议明确,阿里巴巴集团借助大数据分析优势,向工商部门提供当前互联网领域侵权假冒违法行为聚集地、行业的相关情况。
工商部门则根据网络交易商品定向跟踪监测和网络销售商品质量抽检结果等监管信息,以及阿里巴巴提供的涉嫌网络经营违法情况,组织开展专项整治、重点案件督办等打假行动,及时落地查处通过互联网销售假冒伪劣商品和侵犯商标专用权行为。
与此同时,阿里与质检总局、地方质监局等有关部门也在紧密开展各项合作。
就在今年7月,阿里与浙江省工商局又联合开展了“2015红盾网剑专项行动”,重点对电子产品、汽车配件、服装鞋帽、儿童老年用品、农资等重点类目和突出问题加强网络商品交易行为监管。据悉,此次专项行动将一直持续至11月前后。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11