丨目錄：

· 背景

· 業務場景

· 基本概念

· 阿里媽媽智能洞察系統Autolnsight

· 應用場景和案例

· 總結

· 關于我們

? 背景

隨著以數據驅動業務增長的發展趨勢，“數據驅動力”在精益運營時代的重要性日益突顯，許多新一代的技術和數據處理工具正逐漸成為人們關注的焦點。今天數據驅動決策成為了許多企業、組織和管理者的一個優先發展和關注的關鍵事項。在數據驅動企業數字化轉型和商業決策的大背景下，2019年初，在悉尼舉行的Gartner數據與分析峰會上預測：增強型數據分析、持續型智能和可解釋的人工智能（AI）是數據和分析技術的主要趨勢之一，并在未來三到五年內具有顯著的顛覆性潛力；到 2020 年，增強分析將成為分析和商業智能解決方案的主要賣點。增強分析利用自動化、智能化洞察技術通過不斷地挖掘數據價值，提高數據應用效率，洞察行業趨勢和消費者價值，將數據洞察轉化為行動推薦，驅動品牌定位、消費者管理與營銷效率，賦能商業價值增長和客戶收益增長，實現企業數字化轉型。

??業務場景

根據福布斯的報道，89%的行業認為大數據將像互聯網一樣改變傳統的商業運作模式。而那些沒有實施商業智能(BI)戰略并以有意義的方式來收集、評估和應用這些信息的企業則將被淘汰。這就是像增強分析這樣的高級數據分析工具的用武之地。根據Allied Analytics的一份報告，由于類增強型分析的下一代分析技術日益普及，到2025年，全球增強分析市場的規模預計將達到2900萬美元。具體在營銷分析的場景中運營數智化、精細化的背景下，都肩負著用戶增長、留存的重任和挑戰，例如會員或消費者運營增長、廣告商家運營和客戶增長等都迫切需要打破傳統的工作思路，不斷探索新方法，尋找機會點或制定應對策略。放眼到行業內，Google、Facebook在智能洞察方向的探索嘗試也都源于廣告業務的營銷分析。

??基本概念

增強分析定義

增強分析的概念由 Gartner 在2017年提出，在 Gartner 當年的報告《Augmented Analytics Is the Future of Data and Analytics》中，給出了增強分析的定義：增強分析是下一代數據和分析范式，它面向廣泛的業務用戶、運營人員和民間數據科學家，利用機器學習將數據準備、洞察發現和洞察共享等過程自動化”。增強分析基于統計學、人工智能和機器學習來增強人類評估數據的能力。它通過自動化數據洞察和提供更清晰的信息，超越了傳統的分析工具，從數據科學家到營銷人員，業務的各個方面都將受益于向增強分析應用的轉變。

技術路線圖

對增強分析的概念有了基本的認知之后，我們來看看增強分析具體包含了哪些技術能力。結合 Gartner 的分類，可以將增強分析相關的技術分為三類：增強數據準備、增強數據分析和增強機器學習。下面我們通過一個樹狀圖來說明增強分析的技術能力矩陣：

增強數據準備：包含可視化數據交互和數據關系自動化發現兩個方面，可視化數據交互實現可視化的數據配置、數據源的混合以及數據清洗工作，讓數據準備變得"無代碼化"；數據關系發現利用機器學習和 AI 技術來自動化上述的部分流程。

增強數據分析：包含自動洞察、自動可視化、自然語言查詢和自然語言生成。自動洞察和自動可視化是實現業務數據的自動化診斷和可視化展示；自然語言查詢NLQ和自然語言生成NLG為了跨越人類和機器之間的溝通鴻溝，將非語言格式的數據轉換成人類可以理解的語言。

增強機器學習：包括自動化機器學習（AutoML）和自動化在線學習平臺（AutoLearning）。增強機器學習要解決的問題主要是釋放機器學習過程中的人力投入，自動化實現數據標注、特征提取、模型訓練以及超參優化和模型評估。

自動化洞察

自動化洞察，也叫主動洞察，是增強分析的核心功能，但同樣也是一個寬泛的概念。現在大部分的主流 BI 平臺都有自動洞察的相關功能推出，且方向各有不同。自動洞察的目標就是代替一部分分析師的工作，從數據中發現潛在信息和價值。從任務目標的角度劃分，自動化洞察的主流技術方向包括：發現關聯、異常檢測、診斷分析和顯著性智能推薦等 增強型數據分析自動洞察能力通過自動化的數據和算法能力，賦能整個業務深度分析、商業洞察、決策和行動過程，我們針對廣告業務的投前策略洞察和投后效果分析場景，著手建設智能洞察技術AutoInsight和產品化應用，基于大數據分析的業務發展現狀分析和未來的增長策略洞察，以大幅度提升廣告主、運營、數據分析師等業務人員獲取業務洞察的結論和運營決策效率。

??阿里媽媽智能洞察系統AutoInsight

系統架構

智能洞察系統AutoInsight一共包含四個大的組成部分，分別為：數據源接入&ETL模塊、元數據配置服務、InsightCore服務層以及文案展示服務層，整體架構為下圖所示：

底層數據源接入&ETL模塊做到了多數據源類型的可視化配置；

元數據配置服務層：同樣提供了靈活的維度、指標、業務層級關系等個性化的配置能力。

InsightCore服務層是整個AutoInsight的核心算法模塊，包括異常發現、洞察算子、TopK-Insights智能推薦三個子模塊，即為智能洞察的三步走策略：首先通過異常發現模塊完成對業務表現進行多維度、多指標分析；然后對異常維度組合的業務指標表現進行波動分析、趨勢洞察等歸因分析，最后再經過智能推薦模塊對診斷洞察結論進行綜合的業務異動波動顯著性打分。

文案展示服務層可直接對接各應用端，我們抽象了三類文案模板：指標波動診斷結論文案、指標盤點結論文案和指標異動預警文案，通過文案模型靈活配置，展示更清晰、有價值的業務洞察結論。

系統能力

AutoInsight系統能力為實現兩個核心自動化能力目標，一是自動化智能化程度高，二是具備個性化診斷洞察能力。這里我們就需要解決InsightCore服務層的‘三步走策略’的三個基礎性問題：

對于廣告業務場景下多層級維度下鉆、組合分析；

對于復雜的多類型的業務指標異常波動量化分析；

針對不同廣告商家，關注的業務視角也不同，如何進行洞察結果的個性化展示；

多維智能下鉆

在復雜的廣告業務營銷分析場景中，廣告的維度層級通常都比較多、數據量級比較大，這里我們需要考慮兩個能力：多維下鉆和維度剪枝。

1. 多維下鉆

AutoInsight提供的多維下鉆解決方案是提供靈活的前端配置界面，系統根據用戶的配置信息，可以自動化的完成指標在分析時間周期統計計算、基于維度層級關系進行層級表自動關聯，從而實現自動化遍歷搜索多維組合，解決傳統意義上的up-to-bottom模式。例如維度對應的三層子級依次為 ,,，則構造的組合為：，，，從而挖掘維度組合的波動路徑，可以解決下層波動上層平穩的業務場景。

2. 維度剪枝

維度剪枝就是在多維下鉆的過程中，對下鉆路徑和挖掘的維度組合采取合理的有效評價策略，避免無效下鉆，提效下鉆的性能和算力。AutoInsight通過有層級貢獻度閾值或無層級維度組合占比關系，對洞察維度組合候選集基于貢獻度剪枝，并歸一化維度組合的各個子集，計算綜合貢獻度得分。

指標貢獻度分析

1. 什么叫貢獻度

指標異常分析中，常常需要對指標進行拆解，其中最常見的為往更細粒度去拆分，找出影響該指標的"根因"。比如昨日某個廣告的推廣商品曝光量下降明顯，可以拆分到該商品對應的投放計劃的曝光數變化情況，這就會涉及到如何確定各個投放計劃對該商品的曝光下降的影響程度，此處所述影響度即是貢獻度。

2. 常見指標類型的貢獻度計算方法

原子指標-累加型：累加型指標是指同一維度下不同維值之間可進行相加，如全國的訂單數可通過各城市的訂單數直接加總得到:

此類型的指標計算細粒度對上層粒度的貢獻度，只需通過計算細粒度的變化差值與上層粒度的變化差值的占比。例如，城市對全國訂單變化數的貢獻度可通過如下式子計算可得:

其中，表示城市時刻的訂單數，表示全國時刻的總訂單數。

復合指標-除法比值型：除法比值型指標一般是指需要通過兩個累加型指標相除得到，如新客率需通過新客人數除以總用戶數，如下所示：

402 Payment Required

其中為全國新客率，分子為各城市的新客人數之和，分母為各城市用戶人數之和。顯然此類指標不能像累加型指標那樣直接通過差值進行計算,第一種思路即將除法型的計算公式轉化為加法型，轉化方法如下：

該形式就和累加型指標一樣了，接下來的貢獻度計算即可采用上述原子指標的方法進行。但如果其中時，上述方法就不可行了。這里就需要重新計算整體新客率，具體如下：

復合指標-乘法型：乘法型指標貢獻度計算可以采用化乘法為加法，兩邊取對數的方式，如交易額為訂單數和客單價的乘積之和：

402 Payment Required

其中為交易額，為訂單數，為客單價，在計算貢獻度時則需要加入控制變量法的思想，如果計算訂單數的貢獻度，則認為客單價是不變的，訂單數對交易額變化的貢獻度為：

402 Payment Required

其中，表示拆解指標訂單數對異常指標交易額的貢獻度。

洞察結果個性化

洞察結論的維度、指標、時間周期是多種多樣的，需要結合業務策略和機器學習算法實現個性化顯著性洞察結論的發現和展示，AutoInsight對這些異常維度組合進行組合分析和波動程度評價，從而對顯著性評價算法模型的通用性要求就很高。我們基于業務洞察場景數據設計了兩階段策略：一是冷啟動階段的統計規則策略：即通過貢獻度閾值，對候選集基于貢獻度剪枝、維度組合綜合貢獻度歸一化值排序，輸出top-K結果集；二是基于用戶反饋數據的機器學習算法建模策略：即根據用戶的歷史行為數據，如對洞察結論的曝光、點擊等行為建立機器學習算法模型，實現個性化的洞察結論排序模型，進而實現個性化的洞察結論展現。

??應用場景和案例

阿里媽媽具備國內領先的數字營銷技術和強大的數據優勢，為廣告商家提供多場景的營銷平臺和廣告營銷全鏈路解決方案，阿里媽媽智能洞察系統AutoInsight已經成功應用在智能化診斷、智能預警等多個廣告營銷分析場景，同時與客戶增長平臺北斗對接，實現一站式波動分析能力。下面我們將具體介紹AutoInsight在廣告營銷分析場景下的兩個應用案例：

案例一：廣告投放平臺智能化診斷

阿里媽媽依托核心商業數據和超級媒體矩陣，賦能商家、品牌及合作伙伴，幫助客戶實現數字媒體的一站式全域傳播。廣告投放平臺是廣告商家進行商品推廣的重要一站式投放、報表、營銷分析和智能診斷等功能工具平臺，例如廣為人知的直通車、超級推薦、UniDesk等產品。該案例智能化診斷模塊的產品功能樣例如下圖所示，主要包含兩個功能點：一是數據分析模塊，對報表數據的關鍵信息挖掘和波動診斷、個性化展示；二是機會洞察模塊，向廣告商家個性化展示業務可優化的點和商業機會，根據廣告商家的投放操作行為進行個性化的投放建議診斷。

AutoInsight 在廣告投放平臺報表洞察診斷升級能力上，結合數據診斷及算法個性化建議分發，完善“報表+診斷”的一體化設計，實現投前、投中、投后全鏈路的數據和算法支持能力。實現商家廣告投放收益的增長以及在診斷頁面停留時長和活躍增長；同時一站式的診斷分析，也為廣告商家帶來了良好的體驗和分析效率的提升。

案例二：移動端投放平臺智能預警

基于移動端投放平臺的特性，方便廣告商家隨時隨地查看和調整投放配置，不受時間和地點的限制。為提高廣告商家對業務監測和決策的時效性，我們在移動端增加支持業務指標異動洞察能力，并通過發送預警信息幫助廣告商家更好的發現業務問題，更及時的進行業務判斷和決策。例如在大家所熟知的千牛APP中，我們利用AutoInsight自動化數據洞察診斷能力，在千牛APP的廣告投放模塊中實現了智能預警、異動通知提示功能，賦能移動端廣告商家的廣告效果診斷，提升投放效率。異動通知提示功能如下圖所示：

AutoInsight通過對廣告商家業務的診斷分析，發送業務指標異動預警消息，一方面提高廣告商家對產品的使用粘性和活躍度，另一方面幫忙用戶更好更及時的發現業務問題，進行有針對性業務決策，助力業務增長。

? 總結

增強分析作為數據分析的高階增強階段，為分析工作帶來更多自動化動能力和創新洞察力，以提高數據分析的效率和準確性。我們將持續推進增強分析技術在營銷分析場景下的應用探索，加強阿里媽媽智能洞察系統AutoInsight在增強型數據分析領域應用的擴展能力，并結合智能化策略和機器學習算法能力，提升分析內容的開發、使用效率與實現個性化的共享方式。

? 關于我們

我們是阿里媽媽SDS(Strategic Data Solutions)團隊，致力于用數據讓商家和平臺的增長戰略更加科學有效。我們為阿里媽媽全線廣告客戶提供營銷洞察、營銷策略、價值量化及效果歸因的技術服務。歡迎感興趣的同學加入我們~

投遞簡歷郵箱：

alimama_tech@service.alibaba.com

END

也許你還想看

丨【阿里媽媽營銷科學系列】開篇：C.M.O——“人群.渠道.機會”營銷分析導論

丨【阿里媽媽營銷科學系列】第一篇：消費者資產分析

丨【阿里媽媽營銷科學系列】第二篇：消費者行為分析

丨【阿里媽媽營銷科學系列】第三篇：受眾溝通和品牌認知評價

丨【阿里媽媽營銷科學系列】第五篇：多渠道組合路徑效率評價

丨【阿里媽媽營銷科學系列】第六篇：營銷組合模型MMM

丨【阿里媽媽營銷科學系列】第七篇：目標群組發現

歡迎關注「阿里媽媽技術」，了解更多~

瘋狂暗示↓↓↓↓↓↓↓

總結

以上是生活随笔為你收集整理的【阿里妈妈营销科学系列】第八篇：增强分析在营销分析场景下的实现和应用...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。