移动互联网+智能运营体系搭建=你家有金矿啊！

摘要： 每一个企业都有许多的数据，但可否将数据转化成商业价值，是企业很是关心的问题。阿里巴巴曾自嘲是一家坐在数据的金矿上啃着馒头的企业，前几年集团积累了不少的数据，但这些数据并无真正应用起来，受限于几个缘由，好比大数据的技术框架还不成熟，运营团队对数据应用的意识还不是很强，但今天，数据在阿里巴巴的应用范围已经愈来愈普遍。

每一个企业都有许多的数据，但可否将数据转化成商业价值，是企业很是关心的问题。阿里巴巴曾自嘲是一家坐在数据的金矿上啃着馒头的企业，前几年集团积累了不少的数据，但这些数据并无真正应用起来，受限于几个缘由，好比大数据的技术框架还不成熟，运营团队对数据应用的意识还不是很强，但今天，数据在阿里巴巴的应用范围已经愈来愈普遍。

本文根据2018年云栖大会杭州站移动研发平台EMAS专场上，阿里巴巴资深技术专家元绰的演讲整理成文，介绍面向移动互联网时代的智能运营体系搭建，主要分红三块内容：第一，智能运营的使命和典型应用场景；第二，个性化推荐系统的架构；第三，AB在智能运营系统中的应用。

1、智能运营的使命和典型应用场景

衡量一个智能运营系统作得好很差，目标很是明确，就是看能不能帮企业实现数据的增加，由于增加是企业最核心的诉求。

要实现企业智能运营，首先要进行数据运营闭环的建设。传统的BI，收集数据，给老板产出报表，让老板作决策，但智能运营系统，最重要的是把数据应用到实际业务场景中，造成数据闭环。收集数据，经过模型的训练转换成系统的预测能力，运用到实际业务场景中，最后把用户的使用数据反馈给咱们的系统。通过几轮迭代，整个系统的预测能力会愈来愈强。

企业但愿提高业务结果，业务结果的提高依赖于平台上的用户对咱们的承认。EMAS的业务统计模块能够承担数据采集的工做，了解了用户的行为，机器智能的做用就在于将用户的行为数据转换为企业的运营行动。

具体的流程能够分红这么几个部分：首先基于原始数据，以新客为例，根据用户对冷启动阶段的热门数据的点击状况，对用户进行第一次打标，咱们大致识别该用户属于什么样的类型；其次，咱们作尝试性推送，好比资讯或者产品，用户根据我所推送的资讯或者产品，会有相应的点击行为，通过几回交互，机器对该用户的理解会加深。最后，通过用户跟平台的屡次互动后，企业配合相应的运营策略，好比促销，转化效果就会有比较明显的提高，这是智能运营系统的基本流程。

咱们对用户的全生命周期理解，是重新客到老客以及老客帮你作传播这一整个阶段，时间周期仍是比较长的。针对一个新用户，你直接把但愿他下单的信息推送给他，效果每每不会特别好。因此必需要对用户整个生命阶段作一些细致的分析。

智能运营的三个典型的应用场景：

第一，千人千面。淘系在PC时代也作过推荐相关的工做，但效果很差。但到了无线时代以后，个性化推荐的效果就提高明显，源于用户行为发生了很大的变化。无目的性，碎片化，随时随地。咱们可否将用户给咱们的碎花片时间充分利用好，让咱们的消费者一会儿对咱们的产品感兴趣，须要企业对用户要有很是深的理解和洞察。

第二，精准营销。营销活动前，分析所面向的人群，具体的订价策略，以及在这样的订价策略下的销量预测，这样企业就能够预先知道KPI的完成状况。

第三，智能选品。前面讲的更多的是，产品如何更多与用户进行互动，智能选品适用的场景是咱们对目标客群有认知，但愿触达咱们原来没有触达到的那批用户。超市但愿吸引年轻人，就须要调整货品结构，把年轻用户吸引回来。盒马、淘宝心选，是阿里作的比较好的案例。

2、个性化推荐系统架构

接下来，给你们介绍一下个性化推荐系统。个性化推荐在阿里巴巴集团这几年有不少的沉淀。以手机淘宝首页为例，不少地方都作了个性化，好比入口图，每一个APP都有子频道，子频道的入口图大部分用的是设计师作的静态图，若是用子频道的数据跟用户作个性化匹配，作千人千面的入口图，入口点击的转化会有很大的提高。

好的个性化推荐须要有哪些注意点：

第一，工程实现。个性化推荐，传统的实现方法，是截止某一个时间点给用户计算一个推荐列表，天天把这个数据刷新一遍。这样作的问题是什么？用户的数据量一直在增加，相应的存储成本也会随之增加，企业投入成本会很大。因此系统设计的时候须要考虑借助标签的能力。另外，每一个人对标签对应的货品排序应该不同，咱们要增长二次排序，要保证每个人的推荐列表虽然货品同样，可是顺序有差别。

第二，实时推荐。离线推荐主要是基于历史数据，实时推荐是基于当天的数据，当天给用户作推荐，转化率每每最高。可是对咱们的挑战是什么？第一，必须有实时计算的能力，由于用户给咱们的时间很是少，若是你延迟五分钟，基本上用户就流失了。第二，从算法角度来说，必需要作一个平衡，你是基于历史推荐数据，仍是当天的实时数据，到底哪一个转换率最高，要作一个平衡。

第三，时间和空间。拿电商来讲，羽绒服或者衣服都有季节属性，羽绒服适合冬天穿，电子产品有新老款，判断一个用户历来都只买新款，你就应该把新款推荐给他。另外，推送有时间衰减效应，不能一直推相同的货品。时间和空间是必须考虑的两个维度。

第四，发现性。你们在作个性化推荐的时候，模型基本上都是以一个具体的目标来作优化，但这里会有一个什么问题呢？会产生很严重的马太效应：第一，个人推荐依赖于个人历史数据。为何给你推衣服？是由于你总是看衣服，模型判断推衣服的转化确定是最高的，我推荐了，而后你又点了，这样又产生了一条历史数据，我发现效果确实很好，那模型下次推什么？确定仍是给你推衣服。但实际上每一个人的兴趣爱好很普遍，我给你推的品类愈来愈窄，最后发现你的行为也愈来愈窄，这跟人的实际特征是不匹配。咱们要在推荐系统里扩展品类的宽度。第二，推什么样的产品转化率最高？确定是爆款，无论是金融行业仍是其余的行业，爆款转化率最高，模型判断推爆款的转化比通常产品的转化要更高，致使什么结果？系统推荐的产品范围也愈来愈窄，这是很严重的问题。就是说给用户推荐的品类愈来愈窄，产品范围愈来愈窄。因此在整个模型过程当中，去尝试推荐一些他可能原来历史记录里面不存在的东西，去作一些尝试性的发现，这是很是有意义的，不然对短时间收益有好处，可是对长期收益有影响。因此转化率很重要，可是发现性更重要，品类拓宽会让你的业务体量愈来愈大，产品也同样，爆款以后确定有新品，新品也须要变成爆款。

第五，脏数据。脏数据通常分两类，第一类是无效数据，好比说“双十一”，由于当天他们的行为很是特殊。“双十一”当天买了你平时可能不会买的东西。这样的数据对平常推荐并无太大的帮助，这些数据必需要剔掉。第二类数据是做弊数据。像刷信用、刷积分的数据量每每很大，这样的数据若是不剔除掉，最终预测的结果和你原来的真实值之间的误差会很是大。

最后介绍一下阿里巴巴实时推荐的系统架构，大概会分红这么几个部分，有EMAS数据统计模块，采集数据，拿到数据以后要对数据进行加工和训练，造成模型后把数据应用到生产环境。生产环境，通常来讲是存储到图数据库，由于它是网状结构，最后是一个很是简单的API，能够简单调用数据。系统中有一块很重要，就是在模型训练过程当中必需要具有支持行业经验的输入，由于咱们在实践过程当中发现，今天通用的模型去叠加一些行业规则，它的效果是很是好的，由于每一个行业有每一个行业的特殊性，今天一套通用算法想应用到全部行业是不现实的。这是咱们个性化推荐系统的简单系统架构图，它必定要是一个闭环，数据必定要转起来，由于数据不转起来咱们就不知道我推荐的结果是否准确、对用户的洞察是否准确，咱们要必须保证数据运行一段时间后，数据是总体往上涨的。

3、AB在智能运营中的应用

最后给你们讲一下AB测试在智能运营中的应用。你们也知道今天算法的发展很是快，像前几年深度学习很火，这几年强化学习，一些新的算法发展很快，咱们在模型迭代过程当中须要应用新的算法。但通常来说，咱们不必定能确认哪一个算法的效果更好，我今天在线下作很是多的评测，但最后仍是要到生产环境去作实验。咱们能够作分桶测试，基准桶和测试桶，测试桶咱们用一个模型，基准桶用另外一个模型，比较两个模型的效果。实际在应用过程当中，咱们在作AB测试前，必需要作AA测试，保证在实验以前两个桶的数据是如出一辙的，这个时候你再把一个桶的模型换掉，数据是可信的。