?

?在神策 2020 數(shù)據(jù)驅(qū)動(dòng)用戶大會(huì)「上海站」現(xiàn)場(chǎng)，神策數(shù)據(jù)業(yè)務(wù)咨詢師成林松分享了《數(shù)據(jù)智能在業(yè)務(wù)場(chǎng)景下的應(yīng)用》的演講。（文末附 PPT 下載地址）

本文根據(jù)其演講內(nèi)容整理，數(shù)據(jù)均為虛擬。主要內(nèi)容如下：

· 數(shù)據(jù)智能的概念與重要性

· 業(yè)務(wù)經(jīng)營(yíng)視角下數(shù)據(jù)智能的典型應(yīng)用場(chǎng)景

· 數(shù)據(jù)智能的實(shí)現(xiàn)過(guò)程和落地實(shí)踐：以「推薦」為例

· 神策如何助力企業(yè)探索數(shù)據(jù)智能

數(shù)據(jù)智能的概念與重要性

關(guān)于數(shù)據(jù)智能，我們首先要了解什么叫數(shù)據(jù)智能？“數(shù)據(jù)智能指基于大數(shù)據(jù)引擎，通過(guò)大規(guī)模機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)，對(duì)海量數(shù)據(jù)進(jìn)行處理、分析和挖掘，提取數(shù)據(jù)中所包含的有價(jià)值的信息和知識(shí)，使數(shù)據(jù)‘智能’，并通過(guò)建立模型尋求現(xiàn)有問(wèn)題的解決方案以及實(shí)現(xiàn)預(yù)測(cè)等。”

從消費(fèi)者的角度來(lái)看，數(shù)據(jù)智能的應(yīng)用場(chǎng)景已經(jīng)覆蓋生活的方方面面，比如家門口的紅綠燈，基于“城市大腦”數(shù)據(jù)制度，紅燈跳轉(zhuǎn)時(shí)間經(jīng)常調(diào)整，雖然實(shí)際的應(yīng)用效果可能會(huì)導(dǎo)致交通擁堵，但這也從某種角度驗(yàn)證了數(shù)據(jù)智能已被廣泛應(yīng)用。

從企業(yè)經(jīng)營(yíng)角度來(lái)看，數(shù)據(jù)智能的實(shí)際應(yīng)用場(chǎng)景包括個(gè)性化推薦、相關(guān)數(shù)據(jù)分析等，其在企業(yè)的初步應(yīng)用目的即幫助企業(yè)提升經(jīng)營(yíng)效率和精細(xì)化運(yùn)營(yíng)。

那么，為什么會(huì)有越來(lái)越多的人和企業(yè)開(kāi)始關(guān)注數(shù)據(jù)智能？我們可以從供給和需求兩方面深入了解。??在數(shù)據(jù)智能的供給端，其大規(guī)模的商業(yè)化要求其具備核心的基礎(chǔ)能力，這些能力可以像齒輪一樣轉(zhuǎn)動(dòng)促使數(shù)據(jù)智能的商業(yè)化：第一，模型，很多經(jīng)典的計(jì)算模型在十幾年前甚至更早以前就提出來(lái)了；第二，計(jì)算性能，但部分模型受制于計(jì)算的性能，未能得到較好發(fā)展；第三，數(shù)據(jù)的豐富度，它是決定數(shù)據(jù)智能能否做好的重要因素，這也是近些年各大企業(yè)紛紛重視數(shù)據(jù)、注重行為數(shù)據(jù)采集的原因。

在需求端，首先要從商業(yè)競(jìng)爭(zhēng)的核心目的——提升經(jīng)營(yíng)水平出發(fā)。在存量競(jìng)爭(zhēng)時(shí)代，我們更多的將注意力放在挖掘老用戶價(jià)值上，會(huì)關(guān)注其 ARPU（每用戶平均收入）值。比如某咖啡品牌考慮在咖啡售賣之外，擴(kuò)充品類，加入輕食套餐的銷售等，這是基于企業(yè)戰(zhàn)略的考慮，而提升 ARPU 值的核心解決方案是「?jìng)€(gè)性化」，如果面向每一個(gè)用戶提供的產(chǎn)品都是根據(jù)其偏好定制的，那么轉(zhuǎn)化率必然會(huì)得到巨大提升。但是如何實(shí)現(xiàn)個(gè)性化？純粹靠人力給每一個(gè)用戶打標(biāo)簽是不現(xiàn)實(shí)的，這個(gè)時(shí)候就需要數(shù)據(jù)智能來(lái)幫助企業(yè)實(shí)現(xiàn)「?jìng)€(gè)性化」。

業(yè)務(wù)經(jīng)營(yíng)視角下數(shù)據(jù)智能的典型應(yīng)用場(chǎng)景

我將數(shù)據(jù)智能的典型應(yīng)用場(chǎng)景分為以下幾類，如下圖所示：?

第一，助力業(yè)務(wù)分析，輔助產(chǎn)生業(yè)務(wù)洞察。

作為分析師，經(jīng)常關(guān)注指標(biāo)的異動(dòng)，對(duì)用戶和人群的認(rèn)知，定位某個(gè)/些功能對(duì)特定用戶產(chǎn)生的行為具有因果關(guān)系，以及數(shù)據(jù)維度下降等，以此發(fā)揮數(shù)據(jù)的價(jià)值。

1.指標(biāo)的應(yīng)用分析

在分析層面，我們經(jīng)常做指標(biāo)的應(yīng)用分析，在某些特定場(chǎng)景下，分析師的一些分析思路其實(shí)可以按照特定規(guī)律固定下來(lái)，比如 A 企業(yè)的業(yè)務(wù)較穩(wěn)定，管理者關(guān)注的是與銷售額相關(guān)指標(biāo)的異動(dòng)，那么就需要采用不同的分析思路，對(duì)其指標(biāo)的異動(dòng)做相應(yīng)分析。一方面可以做維度的下鉆，通過(guò)地域、門店、品類等多維度進(jìn)行分析，挖掘該異動(dòng)是由于某一維度導(dǎo)致還是全局變化引發(fā)的；另一方面，也可以從相關(guān)的因子角度去拆解該指標(biāo)，分成流量、轉(zhuǎn)化率等，最終得到指標(biāo)異動(dòng)的原因。

針對(duì)此，我們完全可以通過(guò)規(guī)則建立、模型等方式來(lái)實(shí)現(xiàn)業(yè)務(wù)分析，節(jié)省分析師的投入，并且如果發(fā)現(xiàn)指標(biāo)異動(dòng)，還可以通過(guò)數(shù)據(jù)產(chǎn)品自動(dòng)給出解釋。

2.人群的需求分析

有些產(chǎn)品到了一定階段其用戶可能會(huì)達(dá)到幾十萬(wàn)、幾百萬(wàn)甚至更多，但是用戶都有哪些類型，分別有什么樣的需求？這對(duì)分析師來(lái)說(shuō)是一個(gè)“迷人”的話題。

1）基于決策樹(shù)，洞悉用戶留存

下圖是神策為某短視頻企業(yè)做的新增用戶的需求分類，采用「決策樹(shù)」的方式，以次日留存為目標(biāo)進(jìn)行分類，用于分類的標(biāo)簽包括“核心功能的使用次數(shù)”等。??通過(guò)分析發(fā)現(xiàn)，“高播放互動(dòng)型”用戶在平臺(tái)上操作“播放”的頻率較高，同時(shí)也會(huì)在評(píng)論留言區(qū)多次活躍，我們可以判斷此類用戶是將該平臺(tái)作為“興趣社交”使用；“高播放消費(fèi)型”用戶則是“播放”較多“互動(dòng)”較少，屬于內(nèi)容消費(fèi)型用戶；而還有一類用戶明顯地把該平臺(tái)作為視頻拍攝與發(fā)布的工具，那么就可以猜測(cè)該用戶背后是一個(gè)短視頻運(yùn)營(yíng)機(jī)構(gòu)等。

2）基于用戶行為探查用戶需求

下圖為神策數(shù)據(jù)基于 KMIS 為某航空 APP 的新增用戶做的聚類。??基于新增用戶行為數(shù)據(jù)分析，我們可以發(fā)現(xiàn)，在“用戶新增場(chǎng)景”中占比較高的是基于“工具需求”，同時(shí)用戶在使用 APP 的過(guò)程中，高頻率使用的功能為“值機(jī)”，結(jié)合神策過(guò)往合作經(jīng)驗(yàn)，大部分航空 APP 被多次使用的功能均為“值機(jī)”，因?yàn)槎鄶?shù)用戶的“預(yù)訂”動(dòng)作都會(huì)選擇在 OTA （在線旅游）進(jìn)行，因此對(duì)航空 APP 的更多需求在于預(yù)訂之后的“查詢”、“值機(jī)”等；而對(duì)于“黃牛類型”用戶來(lái)說(shuō)，他們更多的在 APP 上操作“領(lǐng)券”的動(dòng)作。

3）特定功能對(duì)用戶的留存影響

對(duì)于做內(nèi)容的產(chǎn)品，經(jīng)常需要考量的問(wèn)題是“什么樣的功能能夠?qū)τ脩舻牧舸娈a(chǎn)生影響”。下圖為某內(nèi)容社區(qū)平臺(tái)，通過(guò)在評(píng)論區(qū)展示高質(zhì)量的核心內(nèi)容，并提高該評(píng)論內(nèi)容的曝光，讓用戶更快、更近距離地感受平臺(tái)價(jià)值，以此驅(qū)動(dòng)用戶留存。??該分析思路也可以進(jìn)一步孵化：通過(guò)數(shù)據(jù)分析及運(yùn)營(yíng)工具基于相關(guān)的計(jì)算規(guī)則，將評(píng)論、內(nèi)容等進(jìn)行排序，以用戶行為分析結(jié)果決定內(nèi)容排序，然后再去思考背后的因果關(guān)系，進(jìn)而促進(jìn)產(chǎn)品的優(yōu)化。

4）數(shù)據(jù)降維定位核心問(wèn)題所在

很多情況下，用戶的評(píng)論、反饋等內(nèi)容多而雜，逐條去看耗時(shí)耗力，這個(gè)時(shí)候我們就可以通過(guò)特定的模型，對(duì)內(nèi)容進(jìn)行維度下降，聚類出幾類典型結(jié)果，幫助我們定位核心問(wèn)題所在。

這種方式通常用于文本分析、報(bào)錯(cuò)等場(chǎng)景中。

第二，精細(xì)化運(yùn)營(yíng)。

在此過(guò)程中，很重要的一個(gè)動(dòng)作是識(shí)別用戶各個(gè)階段的標(biāo)簽，并預(yù)測(cè)用戶是否會(huì)流失，是否對(duì)某個(gè)產(chǎn)品感興趣等，然后針對(duì)性地面向用戶做精細(xì)化運(yùn)營(yíng)。

大多數(shù)情況下，我們會(huì)根據(jù)興趣標(biāo)簽進(jìn)行個(gè)性化推薦，如手機(jī)平臺(tái)根據(jù)用戶的興趣愛(ài)好針對(duì)性地推薦 APP；根據(jù)業(yè)務(wù)標(biāo)簽預(yù)測(cè)運(yùn)營(yíng)風(fēng)險(xiǎn)、做 RFM 運(yùn)營(yíng)，如金融產(chǎn)品根據(jù)用戶收入、職業(yè)穩(wěn)定性等標(biāo)簽來(lái)判斷用戶是否會(huì)逾期等；根據(jù)流失預(yù)測(cè)結(jié)果對(duì)用戶做全生命周期運(yùn)營(yíng)，在用戶流失之前介入，而不是在流失后進(jìn)行召回。

第三，助力個(gè)性化體驗(yàn)提升。

即人和商品的匹配效率，千人千面。

個(gè)性化推薦常用于電商場(chǎng)景，核心目的在于提升用戶和商品的匹配效率，最終服務(wù)于用戶粘性和轉(zhuǎn)化率的提升。當(dāng)內(nèi)容、商品逐漸豐富之后，如何讓每一個(gè)用戶快速看到自己想要的內(nèi)容或商品，「?jìng)€(gè)性化推薦」完美解決了這個(gè)問(wèn)題。

第四，數(shù)據(jù)與產(chǎn)品結(jié)合，助力產(chǎn)品附加值提升。

比如，通過(guò)對(duì)照片、文本、音樂(lè)等做內(nèi)容聚類，形成特定內(nèi)容的推薦。

在我們的手機(jī)相冊(cè)中，可以通過(guò)圖像識(shí)別形成一定的標(biāo)簽，可能是地點(diǎn)、人物等，基于數(shù)據(jù)分析做圖片的聚類，進(jìn)而和用戶之間產(chǎn)生高度粘性；在音樂(lè)類型產(chǎn)品中，如果基于歌曲的相關(guān)性，自動(dòng)給用戶推薦歌單，那么用戶使用效率會(huì)大大提升，用戶對(duì)產(chǎn)品的信任和忠誠(chéng)度也會(huì)隨之增強(qiáng)。

從以上數(shù)據(jù)智能的應(yīng)用場(chǎng)景中，我們可以概括成一句話：在很多情況下，數(shù)據(jù)智能已不局限于“錦上添花”，逐漸變成了企業(yè)能否高效率運(yùn)行、在市場(chǎng)競(jìng)爭(zhēng)中勝出的關(guān)鍵因素。

數(shù)據(jù)智能的實(shí)現(xiàn)過(guò)程和落地實(shí)踐：以「推薦」為例

現(xiàn)階段，「推薦」已經(jīng)發(fā)展成為一個(gè)比較成熟的應(yīng)用場(chǎng)景，通過(guò)行為數(shù)據(jù)建立集市，根據(jù)特征挖掘引入行為特征，然后在模型訓(xùn)練中得到業(yè)務(wù)指標(biāo)的預(yù)測(cè)，最后把根據(jù)每個(gè)用戶特征生成的個(gè)性化列表傳到用戶端。??接下來(lái)我們一起了解一下在此過(guò)程中的核心注意事項(xiàng)。

1.理解業(yè)務(wù)是實(shí)現(xiàn)數(shù)據(jù)智能過(guò)程中最基本的環(huán)節(jié)

我們可以通過(guò)兩個(gè)不同類型的產(chǎn)品做輔助理解。

1）母嬰行業(yè)屬于典型的全生命周期運(yùn)營(yíng)模式，備孕、孕期、寶媽和寶寶在不同階段關(guān)注的內(nèi)容和產(chǎn)品是完全不同的，母嬰內(nèi)容社區(qū)平臺(tái)可基于后臺(tái)數(shù)據(jù)分析、機(jī)器學(xué)習(xí)完成規(guī)模推薦，將會(huì)在很大程度上提升用戶運(yùn)營(yíng)效率，實(shí)現(xiàn)精準(zhǔn)觸達(dá)。因此，理解業(yè)務(wù)包含對(duì)產(chǎn)品形態(tài)、具體場(chǎng)景等的理解。

2）影視領(lǐng)域的推薦參考指標(biāo)通常為“用戶點(diǎn)擊視頻”，但在新用戶階段，可參考的數(shù)據(jù)樣本較少，沒(méi)有完整的樣本供模型訓(xùn)練。此時(shí)，通過(guò)深入了解產(chǎn)品的使用過(guò)程，就會(huì)發(fā)現(xiàn)在各個(gè)類目推薦的時(shí)候，用戶滑動(dòng)視頻的動(dòng)作其實(shí)代表了用戶當(dāng)前的興趣特征，如果把它引入到新用戶冷啟動(dòng)的模型中，就能夠產(chǎn)生較好的推薦效果。也就是說(shuō)，要精準(zhǔn)定位用戶的典型特征，作為模型計(jì)算的參考。

2.基于目標(biāo)，選擇合適的模型

在推薦的過(guò)程中，我們常用的模型包括：決策樹(shù)、KMIS、線性回歸等。當(dāng)我們需要分析用戶的使用健康度、分析用戶的使用頻次等，采用線性回歸方式即可。也就是說(shuō)要根據(jù)目標(biāo)場(chǎng)景選擇合適的模型。

3.發(fā)揮行為數(shù)據(jù)的價(jià)值

選擇了合適的模型之后，要將用戶的部分關(guān)鍵行為作為用戶特征。

如下圖左側(cè)，在某地圖產(chǎn)品中，當(dāng)用戶在搜索框輸入了部分文字，系統(tǒng)會(huì)自動(dòng)預(yù)測(cè)用戶要搜索什么地方，幫助用戶快速定位目的地，成功完成推薦；但同時(shí)，某些情況下會(huì)產(chǎn)生“誤點(diǎn)擊數(shù)據(jù)”，即系統(tǒng)推薦給用戶的內(nèi)容并非用戶目的地，用戶“誤點(diǎn)擊”之后產(chǎn)生的數(shù)據(jù)為“無(wú)效數(shù)據(jù)”，即純粹用“點(diǎn)擊行為”做模型學(xué)習(xí)的話會(huì)產(chǎn)生無(wú)效樣本。那么，這個(gè)時(shí)候，神策的會(huì)話功能就可以被引入到整個(gè)樣本的篩選過(guò)程中，基于用戶最終的目的地，關(guān)聯(lián)其前面步驟中的“輸入”與“點(diǎn)擊行為”，就可以有效解決“無(wú)效點(diǎn)擊”的問(wèn)題。在這個(gè)過(guò)程中，行為前后的序列通常都是很重要的特征，要重點(diǎn)關(guān)注。??如上圖右側(cè)所示，深度學(xué)習(xí)在智能推薦過(guò)程中使用較多，其最重要的特點(diǎn)是建模用戶行為的時(shí)序特征，此時(shí)模型就會(huì)把它當(dāng)做訓(xùn)練的重要考慮點(diǎn)，同時(shí)保證用戶精準(zhǔn)識(shí)別，行為序列的時(shí)間戳記錄不能混亂。

4.效果評(píng)估，多指標(biāo)學(xué)習(xí)

就「推薦」來(lái)說(shuō)，我們經(jīng)常會(huì)建立一定的指標(biāo)去訓(xùn)練模型，具體指標(biāo)包含點(diǎn)擊率、轉(zhuǎn)化率等，同時(shí)做多維度劃分洞察新用戶的轉(zhuǎn)化，其核心在于選擇什么樣的目標(biāo)。

我們可以參考某視頻平臺(tái)的場(chǎng)景：視頻前后的廣告推薦應(yīng)該以什么為核心指標(biāo)？如果以“人均點(diǎn)擊次數(shù)”為核心指標(biāo)，會(huì)導(dǎo)致“標(biāo)題黨”內(nèi)容，這個(gè)時(shí)候有兩種選擇，第一，設(shè)計(jì)相對(duì)應(yīng)的解決策略，第二，評(píng)估指標(biāo)選擇是否正確，如果評(píng)估指標(biāo)為“視頻播放時(shí)長(zhǎng)”，那么得到的分析結(jié)果相對(duì)質(zhì)量會(huì)更高。這就是指標(biāo)選擇的重要體現(xiàn)。

5.優(yōu)化效果，數(shù)據(jù)分析助力

「推薦」上線后，仍有很長(zhǎng)的分析迭代過(guò)程，在這個(gè)過(guò)程中，數(shù)據(jù)分析能力是算法工程師很重要的一個(gè)能力。

下圖是為某款陌生人社交產(chǎn)品的推薦調(diào)優(yōu)過(guò)程，其核心功能是「匹配」。??在匹配人率（成功匹配人數(shù)/點(diǎn)擊喜歡的人數(shù)）方面，神策得出的數(shù)據(jù)值低于客戶自建。這個(gè)時(shí)候，需要通過(guò)業(yè)務(wù)指標(biāo)的拆解，尋求數(shù)值不一致的原因。

經(jīng)過(guò)指標(biāo)變形，我們得到這樣一個(gè)公式：匹配人率 = 回關(guān)率 * 人均點(diǎn)擊喜歡次數(shù) * 匹配覆蓋度。“回關(guān)”指的是用戶點(diǎn)擊“喜歡”后，得到的對(duì)方“喜歡”的次數(shù)。通過(guò)對(duì)比發(fā)現(xiàn)，在其業(yè)務(wù)形態(tài)中，神策是以“點(diǎn)擊喜歡”作為核心指標(biāo)進(jìn)行計(jì)算，這就導(dǎo)致了大批量的優(yōu)質(zhì)用戶因?yàn)槠浠仃P(guān)門檻較高，導(dǎo)致了回關(guān)率低、匹配人率低。通過(guò)以上洞察，神策數(shù)據(jù)及時(shí)調(diào)整召回模型的參數(shù)，以“匹配成功”為訓(xùn)練參數(shù)，得到的匹配人率遠(yuǎn)高于客戶自建。

在這整個(gè)過(guò)程中，我們基于數(shù)據(jù)分析發(fā)現(xiàn)結(jié)論，以此驅(qū)動(dòng)數(shù)據(jù)智能產(chǎn)品的優(yōu)化。

6.產(chǎn)品層面持續(xù)改進(jìn)

算法和模型不是萬(wàn)能的，當(dāng)選擇了模型、特征之后，在產(chǎn)品的 CPR 值達(dá)到了較高階段的時(shí)候，我們的業(yè)務(wù)指標(biāo)不僅僅要通過(guò)算法的形式去實(shí)現(xiàn)，還要結(jié)合產(chǎn)品層面來(lái)持續(xù)改進(jìn)。

比如，當(dāng)用戶通過(guò) APP 搜索美食，除了可以推薦給用戶飯店名稱，我們還可以通過(guò)知識(shí)圖譜的學(xué)習(xí)給出推薦理由，為什么這家飯店排行第一等，有助于用戶理解排序結(jié)果，并引導(dǎo)用戶深入查看。 在產(chǎn)品外形方面，雖然個(gè)性化推薦的效果較好，但曝光較低，這是因?yàn)榇蠖嗲闆r下，個(gè)性化推薦欄目往往在產(chǎn)品形態(tài)里較弱的位置，這個(gè)時(shí)候就需要對(duì)產(chǎn)品流量分發(fā)層面進(jìn)行改進(jìn)，把更多的內(nèi)容在產(chǎn)品外層直接曝光，提升平臺(tái)的可能性。

在個(gè)性化海報(bào)方面，因?yàn)槊總€(gè)人的關(guān)注點(diǎn)不同，所以可以借助機(jī)器化形成個(gè)性化海報(bào)展示給用戶，以此提升 CTR。

神策如何助力企業(yè)探索數(shù)據(jù)智能

在服務(wù)了 1500+ 企業(yè)之后，神策發(fā)現(xiàn)數(shù)據(jù)智能的關(guān)注者更多的還是企業(yè)內(nèi)部的技術(shù)人員，對(duì)業(yè)務(wù)發(fā)展的影響有限。究其原因，主要有以下三點(diǎn)：

1.數(shù)據(jù)質(zhì)量不夠高，導(dǎo)致智能推薦的結(jié)果和預(yù)測(cè)結(jié)果都不準(zhǔn)確，無(wú)法為業(yè)務(wù)提供參考。

2.技術(shù)人力投入較低，對(duì)于整個(gè)行業(yè)來(lái)說(shuō)，大部分模型的持續(xù)引進(jìn)都依賴于頭部公司的不斷迭代，相對(duì)來(lái)說(shuō)，中小企業(yè)在這方面缺乏長(zhǎng)期的積累。

3.業(yè)務(wù)部門的參與有限。業(yè)務(wù)部門對(duì)數(shù)據(jù)智能的關(guān)注度低，導(dǎo)致數(shù)據(jù)智能無(wú)法應(yīng)用到實(shí)際業(yè)務(wù)過(guò)程中。
?基于以上三大痛點(diǎn)，神策發(fā)揮的作用是什么呢？

首先，對(duì)于數(shù)據(jù)質(zhì)量，神策堅(jiān)持“給客戶帶來(lái)價(jià)值”的工作原則，通過(guò)多種方式幫助客戶提升數(shù)據(jù)質(zhì)量。比如，多端數(shù)據(jù)打通，用戶關(guān)聯(lián)支持多對(duì)一、多對(duì)多，數(shù)據(jù)接入過(guò)程中強(qiáng)校驗(yàn)，專門的數(shù)據(jù)治理，把控交付質(zhì)量，形成管理規(guī)范等。

其次，產(chǎn)品化，神策已形成規(guī)模化的產(chǎn)品矩陣，包括神策分析、神策智能運(yùn)營(yíng)、神策智能推薦、神策用戶畫像、神策客景，功能涵蓋基礎(chǔ)的數(shù)據(jù)分析、打標(biāo)簽、健康預(yù)測(cè)、指標(biāo)預(yù)測(cè)、個(gè)性化推薦等等。

其中，對(duì)于神策智能推薦，我們不僅希望帶給客戶一次性計(jì)算，更多地希望能夠形成一個(gè)可交付的產(chǎn)品，我們可以看到整個(gè)推薦模型的運(yùn)轉(zhuǎn)過(guò)程，也可以保證一定的開(kāi)放性，就是說(shuō)我們業(yè)務(wù)人員可以對(duì)此展開(kāi)洞察、調(diào)用，賦能業(yè)務(wù)實(shí)踐，提升整體的推薦效果。??每個(gè)用戶對(duì)于特定的業(yè)務(wù)場(chǎng)景，其模型訓(xùn)練標(biāo)簽都是一個(gè)單獨(dú)的過(guò)程。如果我們想要將其規(guī)模化，需要抽象出各個(gè)模型預(yù)測(cè)標(biāo)簽，以此預(yù)測(cè)該用戶接下來(lái)的業(yè)務(wù)表現(xiàn)。這也是神策用戶畫像在做的一件事情。

比如，某產(chǎn)品要預(yù)測(cè)用戶接下來(lái)會(huì)不會(huì)購(gòu)買該產(chǎn)品的會(huì)員服務(wù)。首先選定目標(biāo)用戶，可能是此前購(gòu)買過(guò)但已流失的用戶，也有可能是從未觸達(dá)到的用戶，但整體需要基于“決定性”特征去完成篩選，比如用戶的屬性，做過(guò)什么樣的行為等，然后通過(guò)機(jī)器學(xué)習(xí)的方式為有可能購(gòu)買會(huì)員服務(wù)的用戶打上“業(yè)務(wù)轉(zhuǎn)化”的預(yù)測(cè)標(biāo)簽。除此之外，在渠道投放上也同樣適用。

最后，以數(shù)據(jù)智能驅(qū)動(dòng)業(yè)務(wù)發(fā)揮價(jià)值。對(duì)于智能產(chǎn)品的交付，以「推薦」為例，我們不僅交付推薦的結(jié)果，而且以業(yè)務(wù)目標(biāo)為導(dǎo)向，在最初的需求調(diào)研階段，我們會(huì)主動(dòng)跟客戶溝通應(yīng)該關(guān)注的業(yè)務(wù)指標(biāo)，并以指標(biāo)的提升作為交付目標(biāo)。??以上為本次演講全部?jī)?nèi)容，感謝大家的聆聽(tīng)！?

總結(jié)

以上是生活随笔為你收集整理的神策数据成林松：数据智能在业务场景下的应用（附 PPT 下载）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。