移動互聯網+智能運營體系搭建=你家有金礦啊！

摘要： 每一個企業都有許多的數據，但可否將數據轉化成商業價值，是企業很是關心的問題。阿里巴巴曾自嘲是一家坐在數據的金礦上啃着饅頭的企業，前幾年集團積累了不少的數據，但這些數據並無真正應用起來，受限於幾個緣由，好比大數據的技術框架還不成熟，運營團隊對數據應用的意識還不是很強，但今天，數據在阿里巴巴的應用範圍已經愈來愈普遍。

每一個企業都有許多的數據，但可否將數據轉化成商業價值，是企業很是關心的問題。阿里巴巴曾自嘲是一家坐在數據的金礦上啃着饅頭的企業，前幾年集團積累了不少的數據，但這些數據並無真正應用起來，受限於幾個緣由，好比大數據的技術框架還不成熟，運營團隊對數據應用的意識還不是很強，但今天，數據在阿里巴巴的應用範圍已經愈來愈普遍。

本文根據2018年雲棲大會杭州站移動研發平臺EMAS專場上，阿里巴巴資深技術專家元綽的演講整理成文，介紹面向移動互聯網時代的智能運營體系搭建，主要分紅三塊內容：第一，智能運營的使命和典型應用場景；第二，個性化推薦系統的架構；第三，AB在智能運營系統中的應用。

1、智能運營的使命和典型應用場景

衡量一個智能運營系統作得好很差，目標很是明確，就是看能不能幫企業實現數據的增加，由於增加是企業最核心的訴求。

要實現企業智能運營，首先要進行數據運營閉環的建設。傳統的BI，收集數據，給老闆產出報表，讓老闆作決策，但智能運營系統，最重要的是把數據應用到實際業務場景中，造成數據閉環。收集數據，經過模型的訓練轉換成系統的預測能力，運用到實際業務場景中，最後把用戶的使用數據反饋給咱們的系統。通過幾輪迭代，整個系統的預測能力會愈來愈強。

企業但願提高業務結果，業務結果的提高依賴於平臺上的用戶對咱們的承認。EMAS的業務統計模塊能夠承擔數據採集的工做，瞭解了用戶的行爲，機器智能的做用就在於將用戶的行爲數據轉換爲企業的運營行動。

具體的流程能夠分紅這麼幾個部分：首先基於原始數據，以新客爲例，根據用戶對冷啓動階段的熱門數據的點擊狀況，對用戶進行第一次打標，咱們大致識別該用戶屬於什麼樣的類型；其次，咱們作嘗試性推送，好比資訊或者產品，用戶根據我所推送的資訊或者產品，會有相應的點擊行爲，通過幾回交互，機器對該用戶的理解會加深。最後，通過用戶跟平臺的屢次互動後，企業配合相應的運營策略，好比促銷，轉化效果就會有比較明顯的提高，這是智能運營系統的基本流程。

咱們對用戶的全生命週期理解，是重新客到老客以及老客幫你作傳播這一整個階段，時間週期仍是比較長的。針對一個新用戶，你直接把但願他下單的信息推送給他，效果每每不會特別好。因此必需要對用戶整個生命階段作一些細緻的分析。

智能運營的三個典型的應用場景：

第一，千人千面。淘系在PC時代也作過推薦相關的工做，但效果很差。但到了無線時代以後，個性化推薦的效果就提高明顯，源於用戶行爲發生了很大的變化。無目的性，碎片化，隨時隨地。咱們可否將用戶給咱們的碎花片時間充分利用好，讓咱們的消費者一會兒對咱們的產品感興趣，須要企業對用戶要有很是深的理解和洞察。

第二，精準營銷。營銷活動前，分析所面向的人羣，具體的訂價策略，以及在這樣的訂價策略下的銷量預測，這樣企業就能夠預先知道KPI的完成狀況。

第三，智能選品。前面講的更多的是，產品如何更多與用戶進行互動，智能選品適用的場景是咱們對目標客羣有認知，但願觸達咱們原來沒有觸達到的那批用戶。超市但願吸引年輕人，就須要調整貨品結構，把年輕用戶吸引回來。盒馬、淘寶心選，是阿里作的比較好的案例。

2、個性化推薦系統架構

接下來，給你們介紹一下個性化推薦系統。個性化推薦在阿里巴巴集團這幾年有不少的沉澱。以手機淘寶首頁爲例，不少地方都作了個性化，好比入口圖，每一個APP都有子頻道，子頻道的入口圖大部分用的是設計師作的靜態圖，若是用子頻道的數據跟用戶作個性化匹配，作千人千面的入口圖，入口點擊的轉化會有很大的提高。

好的個性化推薦須要有哪些注意點：

第一，工程實現。個性化推薦，傳統的實現方法，是截止某一個時間點給用戶計算一個推薦列表，天天把這個數據刷新一遍。這樣作的問題是什麼？用戶的數據量一直在增加，相應的存儲成本也會隨之增加，企業投入成本會很大。因此係統設計的時候須要考慮藉助標籤的能力。另外，每一個人對標籤對應的貨品排序應該不同，咱們要增長二次排序，要保證每個人的推薦列表雖然貨品同樣，可是順序有差別。

第二，實時推薦。離線推薦主要是基於歷史數據，實時推薦是基於當天的數據，當天給用戶作推薦，轉化率每每最高。可是對咱們的挑戰是什麼？第一，必須有實時計算的能力，由於用戶給咱們的時間很是少，若是你延遲五分鐘，基本上用戶就流失了。第二，從算法角度來說，必需要作一個平衡，你是基於歷史推薦數據，仍是當天的實時數據，到底哪一個轉換率最高，要作一個平衡。

第三，時間和空間。拿電商來講，羽絨服或者衣服都有季節屬性，羽絨服適合冬天穿，電子產品有新老款，判斷一個用戶歷來都只買新款，你就應該把新款推薦給他。另外，推送有時間衰減效應，不能一直推相同的貨品。時間和空間是必須考慮的兩個維度。

第四，發現性。你們在作個性化推薦的時候，模型基本上都是以一個具體的目標來作優化，但這裏會有一個什麼問題呢？會產生很嚴重的馬太效應：第一，個人推薦依賴於個人歷史數據。爲何給你推衣服？是由於你總是看衣服，模型判斷推衣服的轉化確定是最高的，我推薦了，而後你又點了，這樣又產生了一條歷史數據，我發現效果確實很好，那模型下次推什麼？確定仍是給你推衣服。但實際上每一個人的興趣愛好很普遍，我給你推的品類愈來愈窄，最後發現你的行爲也愈來愈窄，這跟人的實際特徵是不匹配。咱們要在推薦系統裏擴展品類的寬度。第二，推什麼樣的產品轉化率最高？確定是爆款，無論是金融行業仍是其餘的行業，爆款轉化率最高，模型判斷推爆款的轉化比通常產品的轉化要更高，致使什麼結果？系統推薦的產品範圍也愈來愈窄，這是很嚴重的問題。就是說給用戶推薦的品類愈來愈窄，產品範圍愈來愈窄。因此在整個模型過程當中，去嘗試推薦一些他可能原來歷史記錄裏面不存在的東西，去作一些嘗試性的發現，這是很是有意義的，不然對短時間收益有好處，可是對長期收益有影響。因此轉化率很重要，可是發現性更重要，品類拓寬會讓你的業務體量愈來愈大，產品也同樣，爆款以後確定有新品，新品也須要變成爆款。

第五，髒數據。髒數據通常分兩類，第一類是無效數據，好比說「雙十一」，由於當天他們的行爲很是特殊。「雙十一」當天買了你平時可能不會買的東西。這樣的數據對平常推薦並無太大的幫助，這些數據必需要剔掉。第二類數據是做弊數據。像刷信用、刷積分的數據量每每很大，這樣的數據若是不剔除掉，最終預測的結果和你原來的真實值之間的誤差會很是大。

最後介紹一下阿里巴巴實時推薦的系統架構，大概會分紅這麼幾個部分，有EMAS數據統計模塊，採集數據，拿到數據以後要對數據進行加工和訓練，造成模型後把數據應用到生產環境。生產環境，通常來講是存儲到圖數據庫，由於它是網狀結構，最後是一個很是簡單的API，能夠簡單調用數據。系統中有一塊很重要，就是在模型訓練過程當中必需要具有支持行業經驗的輸入，由於咱們在實踐過程當中發現，今天通用的模型去疊加一些行業規則，它的效果是很是好的，由於每一個行業有每一個行業的特殊性，今天一套通用算法想應用到全部行業是不現實的。這是咱們個性化推薦系統的簡單系統架構圖，它必定要是一個閉環，數據必定要轉起來，由於數據不轉起來咱們就不知道我推薦的結果是否準確、對用戶的洞察是否準確，咱們要必須保證數據運行一段時間後，數據是總體往上漲的。

3、AB在智能運營中的應用

最後給你們講一下AB測試在智能運營中的應用。你們也知道今天算法的發展很是快，像前幾年深度學習很火，這幾年強化學習，一些新的算法發展很快，咱們在模型迭代過程當中須要應用新的算法。但通常來說，咱們不必定能確認哪一個算法的效果更好，我今天在線下作很是多的評測，但最後仍是要到生產環境去作實驗。咱們能夠作分桶測試，基準桶和測試桶，測試桶咱們用一個模型，基準桶用另外一個模型，比較兩個模型的效果。實際在應用過程當中，咱們在作AB測試前，必需要作AA測試，保證在實驗以前兩個桶的數據是如出一轍的，這個時候你再把一個桶的模型換掉，數據是可信的。