移動互聯網+智能運營體系搭建=你家有金礦啊！

每個企業都有許多的數據，但能否將數據轉化成商業價值，是企業非常關心的問題。阿里巴巴曾自嘲是一家坐在數據的金礦上啃著饅頭的企業，前幾年集團積累了很多的數據，但這些數據并沒有真正應用起來，受限于幾個原因，比如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范圍已經越來越廣泛。
cdn.com/72277701ce190fcba2f534c79608d0b36a8e7734.png">

本文根據2018年云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，主要分成三塊內容：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。

一、智能運營的使命和典型應用場景

衡量一個智能運營系統做得好不好，目標非常明確，就是看能不能幫企業實現數據的增長，因為增長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，給老板產出報表，讓老板做決策，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，形成數據閉環。收集數據，通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，最后把用戶的使用數據反饋給我們的系統。經過幾輪迭代，整個系統的預測能力會越來越強。

企業希望提升業務結果，業務結果的提升依賴于平臺上的用戶對我們的認可。EMAS的業務統計模塊可以承擔數據采集的工作，了解了用戶的行為，機器智能的作用就在于將用戶的行為數據轉換為企業的運營行動。

具體的流程可以分成這么幾個部分：首先基于原始數據，以新客為例，根據用戶對冷啟動階段的熱門數據的點擊情況，對用戶進行第一次打標，我們大體識別該用戶屬于什么樣的類型；其次，我們做嘗試性推送，比如資訊或者產品，用戶根據我所推送的資訊或者產品，會有相應的點擊行為，經過幾次交互，機器對該用戶的理解會加深。最后，經過用戶跟平臺的多次互動后，企業配合相應的運營策略，比如促銷，轉化效果就會有比較明顯的提升，這是智能運營系統的基本流程。

我們對用戶的全生命周期理解，是從新客到老客以及老客幫你做傳播這一整個階段，時間周期還是比較長的。針對一個新用戶，你直接把希望他下單的信息推送給他，效果往往不會特別好。所以必須要對用戶整個生命階段做一些細致的分析。

智能運營的三個典型的應用場景：

第一，千人千面。淘系在PC時代也做過推薦相關的工作，但效果不好。但到了無線時代之后，個性化推薦的效果就提升明顯，源于用戶行為發生了很大的變化。無目的性，碎片化，隨時隨地。我們能否將用戶給我們的碎花片時間充分利用好，讓我們的消費者一下子對我們的產品感興趣，需要企業對用戶要有非常深的理解和洞察。

第二，精準營銷。營銷活動前，分析所面向的人群，具體的定價策略，以及在這樣的定價策略下的銷量預測，這樣企業就可以預先知道KPI的完成情況。

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我們對目標客群有認知，希望觸達我們原來沒有觸達到的那批用戶。超市希望吸引年輕人，就需要調整貨品結構，把年輕用戶吸引回來。盒馬、淘寶心選，是阿里做的比較好的案例。

二、個性化推薦系統架構

接下來，給大家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很多的沉淀。以手機淘寶首頁為例，很多地方都做了個性化，比如入口圖，每個APP都有子頻道，子頻道的入口圖大部分用的是設計師做的靜態圖，如果用子頻道的數據跟用戶做個性化匹配，做千人千面的入口圖，入口點擊的轉化會有很大的提升。

好的個性化推薦需要有哪些注意點：

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，每天把這個數據刷新一遍。這樣做的問題是什么？用戶的數據量一直在增長，相應的存儲成本也會隨之增長，企業投入成本會很大。所以系統設計的時候需要考慮借助標簽的能力。另外，每個人對標簽對應的貨品排序應該不一樣，我們要增加二次排序，要保證每一個人的推薦列表雖然貨品一樣，但是順序有差異。

第二，實時推薦。離線推薦主要是基于歷史數據，實時推薦是基于當天的數據，當天給用戶做推薦，轉化率往往最高。但是對我們的挑戰是什么？第一，必須有實時計算的能力，因為用戶給我們的時間非常少，如果你延遲五分鐘，基本上用戶就流失了。第二，從算法角度來講，必須要做一個平衡，你是基于歷史推薦數據，還是當天的實時數據，到底哪個轉換率最高，要做一個平衡。

第三，時間和空間。拿電商來說，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，判斷一個用戶從來都只買新款，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。大家在做個性化推薦的時候，模型基本上都是以一個具體的目標來做優化，但這里會有一個什么問題呢？會產生很嚴重的馬太效應：第一，我的推薦依賴于我的歷史數據。為什么給你推衣服？是因為你老是看衣服，模型判斷推衣服的轉化肯定是最高的，我推薦了，然后你又點了，這樣又產生了一條歷史數據，我發現效果確實很好，那模型下次推什么？肯定還是給你推衣服。但實際上每個人的興趣愛好很廣泛，我給你推的品類越來越窄，最后發現你的行為也越來越窄，這跟人的實際特征是不匹配。我們要在推薦系統里擴展品類的寬度。第二，推什么樣的產品轉化率最高？肯定是爆款，不管是金融行業還是其他的行業，爆款轉化率最高，模型判斷推爆款的轉化比一般產品的轉化要更高，導致什么結果？系統推薦的產品范圍也越來越窄，這是很嚴重的問題。就是說給用戶推薦的品類越來越窄，產品范圍越來越窄。所以在整個模型過程中，去嘗試推薦一些他可能原來歷史記錄里面不存在的東西，去做一些嘗試性的發現，這是非常有意義的，否則對短期收益有好處，但是對長期收益有影響。所以轉化率很重要，但是發現性更重要，品類拓寬會讓你的業務體量越來越大，產品也一樣，爆款之后肯定有新品，新品也需要變成爆款。

第五，臟數據。臟數據一般分兩類，第一類是無效數據，比如說“雙十一”，因為當天他們的行為非常特殊。“雙十一”當天買了你平時可能不會買的東西。這樣的數據對日常推薦并沒有太大的幫助，這些數據必須要剔掉。第二類數據是作弊數據。像刷信用、刷積分的數據量往往很大，這樣的數據如果不剔除掉，最終預測的結果和你原來的真實值之間的偏差會非常大。

最后介紹一下阿里巴巴實時推薦的系統架構，大概會分成這么幾個部分，有EMAS數據統計模塊，采集數據，拿到數據之后要對數據進行加工和訓練，形成模型后把數據應用到生產環境。生產環境，一般來說是存儲到圖數據庫，因為它是網狀結構，最后是一個非常簡單的API，可以簡單調用數據。系統中有一塊很重要，就是在模型訓練過程中必須要具備支持行業經驗的輸入，因為我們在實踐過程中發現，今天通用的模型去疊加一些行業規則，它的效果是非常好的，因為每個行業有每個行業的特殊性，今天一套通用算法想應用到所有行業是不現實的。這是我們個性化推薦系統的簡單系統架構圖，它一定要是一個閉環，數據一定要轉起來，因為數據不轉起來我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，我們要必須保證數據運行一段時間后，數據是整體往上漲的。

三、AB在智能運營中的應用

最后給大家講一下AB測試在智能運營中的應用。大家也知道今天算法的發展非常快，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，我們在模型迭代過程中需要應用新的算法。但一般來講，我們不一定能確認哪個算法的效果更好，我今天在線下做非常多的評測，但最后還是要到生產環境去做實驗。我們可以做分桶測試，基準桶和測試桶，測試桶我們用一個模型，基準桶用另一個模型，比較兩個模型的效果。實際在應用過程中，我們在做AB測試前，必須要做AA測試，保證在實驗之前兩個桶的數據是一模一樣的，這個時候你再把一個桶的模型換掉，數據是可信的。