?

?在神策 2020 數(shù)據(jù)驅動用戶大會「上海站」現(xiàn)場，神策數(shù)據(jù)業(yè)務咨詢師成林松分享了《數(shù)據(jù)智能在業(yè)務場景下的應用》的演講。（文末附 PPT 下載地址）

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

· 數(shù)據(jù)智能的概念與重要性

· 業(yè)務經(jīng)營視角下數(shù)據(jù)智能的典型應用場景

· 數(shù)據(jù)智能的實現(xiàn)過程和落地實踐：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，通過大規(guī)模機器學習和深度學習等技術，對海量數(shù)據(jù)進行處理、分析和挖掘，提取數(shù)據(jù)中所包含的有價值的信息和知識，使數(shù)據(jù)‘智能’，并通過建立模型尋求現(xiàn)有問題的解決方案以及實現(xiàn)預測等。”

從消費者的角度來看，數(shù)據(jù)智能的應用場景已經(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，紅燈跳轉時間經(jīng)常調整，雖然實際的應用效果可能會導致交通擁堵，但這也從某種角度驗證了數(shù)據(jù)智能已被廣泛應用。

從企業(yè)經(jīng)營角度來看，數(shù)據(jù)智能的實際應用場景包括個性化推薦、相關數(shù)據(jù)分析等，其在企業(yè)的初步應用目的即幫助企業(yè)提升經(jīng)營效率和精細化運營。

那么，為什么會有越來越多的人和企業(yè)開始關注數(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能力，這些能力可以像齒輪一樣轉動促使數(shù)據(jù)智能的商業(yè)化：第一，模型，很多經(jīng)典的計算模型在十幾年前甚至更早以前就提出來了；第二，計算性能，但部分模型受制于計算的性能，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)競爭的核心目的——提升經(jīng)營水平出發(fā)。在存量競爭時代，我們更多的將注意力放在挖掘老用戶價值上，會關注其 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「個性化」，如果面向每一個用戶提供的產(chǎn)品都是根據(jù)其偏好定制的，那么轉化率必然會得到巨大提升。但是如何實現(xiàn)個性化？純粹靠人力給每一個用戶打標簽是不現(xiàn)實的，這個時候就需要數(shù)據(jù)智能來幫助企業(yè)實現(xiàn)「個性化」。

業(yè)務經(jīng)營視角下數(shù)據(jù)智能的典型應用場景

我將數(shù)據(jù)智能的典型應用場景分為以下幾類，如下圖所示：?

第一，助力業(yè)務分析，輔助產(chǎn)生業(yè)務洞察。

作為分析師，經(jīng)常關注指標的異動，對用戶和人群的認知，定位某個/些功能對特定用戶產(chǎn)生的行為具有因果關系，以及數(shù)據(jù)維度下降等，以此發(fā)揮數(shù)據(jù)的價值。

1.指標的應用分析

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

針對此，我們完全可以通過規(guī)則建立、模型等方式來實現(xiàn)業(yè)務分析，節(jié)省分析師的投入，并且如果發(fā)現(xiàn)指標異動，還可以通過數(shù)據(jù)產(chǎn)品自動給出解釋。

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達到幾十萬、幾百萬甚至更多，但是用戶都有哪些類型，分別有什么樣的需求？這對分析師來說是一個“迷人”的話題。

1）基于決策樹，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」的方式，以次日留存為目標進行分類，用于分類的標簽包括“核心功能的使用次數(shù)”等。??通過分析發(fā)現(xiàn)，“高播放互動型”用戶在平臺上操作“播放”的頻率較高，同時也會在評論留言區(qū)多次活躍，我們可以判斷此類用戶是將該平臺作為“興趣社交”使用；“高播放消費型”用戶則是“播放”較多“互動”較少，屬于內容消費型用戶；而還有一類用戶明顯地把該平臺作為視頻拍攝與發(fā)布的工具，那么就可以猜測該用戶背后是一個短視頻運營機構等。

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“用戶新增場景”中占比較高的是基于“工具需求”，同時用戶在使用 APP 的過程中，高頻率使用的功能為“值機”，結合神策過往合作經(jīng)驗，大部分航空 APP 被多次使用的功能均為“值機”，因為多數(shù)用戶的“預訂”動作都會選擇在 OTA （在線旅游）進行，因此對航空 APP 的更多需求在于預訂之后的“查詢”、“值機”等；而對于“黃牛類型”用戶來說，他們更多的在 APP 上操作“領券”的動作。

3）特定功能對用戶的留存影響

對于做內容的產(chǎn)品，經(jīng)常需要考量的問題是“什么樣的功能能夠對用戶的留存產(chǎn)生影響”。下圖為某內容社區(qū)平臺，通過在評論區(qū)展示高質量的核心內容，并提高該評論內容的曝光，讓用戶更快、更近距離地感受平臺價值，以此驅動用戶留存。??該分析思路也可以進一步孵化：通過數(shù)據(jù)分析及運營工具基于相關的計算規(guī)則，將評論、內容等進行排序，以用戶行為分析結果決定內容排序，然后再去思考背后的因果關系，進而促進產(chǎn)品的優(yōu)化。

4）數(shù)據(jù)降維定位核心問題所在

很多情況下，用戶的評論、反饋等內容多而雜，逐條去看耗時耗力，這個時候我們就可以通過特定的模型，對內容進行維度下降，聚類出幾類典型結果，幫助我們定位核心問題所在。

這種方式通常用于文本分析、報錯等場景中。

第二，精細化運營。

在此過程中，很重要的一個動作是識別用戶各個階段的標簽，并預測用戶是否會流失，是否對某個產(chǎn)品感興趣等，然后針對性地面向用戶做精細化運營。

大多數(shù)情況下，我們會根據(jù)興趣標簽進行個性化推薦，如手機平臺根據(jù)用戶的興趣愛好針對性地推薦 APP；根據(jù)業(yè)務標簽預測運營風險、做 RFM 運營，如金融產(chǎn)品根據(jù)用戶收入、職業(yè)穩(wěn)定性等標簽來判斷用戶是否會逾期等；根據(jù)流失預測結果對用戶做全生命周期運營，在用戶流失之前介入，而不是在流失后進行召回。

第三，助力個性化體驗提升。

即人和商品的匹配效率，千人千面。

個性化推薦常用于電商場景，核心目的在于提升用戶和商品的匹配效率，最終服務于用戶粘性和轉化率的提升。當內容、商品逐漸豐富之后，如何讓每一個用戶快速看到自己想要的內容或商品，「個性化推薦」完美解決了這個問題。

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

比如，通過對照片、文本、音樂等做內容聚類，形成特定內容的推薦。

在我們的手機相冊中，可以通過圖像識別形成一定的標簽，可能是地點、人物等，基于數(shù)據(jù)分析做圖片的聚類，進而和用戶之間產(chǎn)生高度粘性；在音樂類型產(chǎn)品中，如果基于歌曲的相關性，自動給用戶推薦歌單，那么用戶使用效率會大大提升，用戶對產(chǎn)品的信任和忠誠度也會隨之增強。

從以上數(shù)據(jù)智能的應用場景中，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)能否高效率運行、在市場競爭中勝出的關鍵因素。

數(shù)據(jù)智能的實現(xiàn)過程和落地實踐：以「推薦」為例

現(xiàn)階段，「推薦」已經(jīng)發(fā)展成為一個比較成熟的應用場景，通過行為數(shù)據(jù)建立集市，根據(jù)特征挖掘引入行為特征，然后在模型訓練中得到業(yè)務指標的預測，最后把根據(jù)每個用戶特征生成的個性化列表傳到用戶端。??接下來我們一起了解一下在此過程中的核心注意事項。

1.理解業(yè)務是實現(xiàn)數(shù)據(jù)智能過程中最基本的環(huán)節(jié)

我們可以通過兩個不同類型的產(chǎn)品做輔助理解。

1）母嬰行業(yè)屬于典型的全生命周期運營模式，備孕、孕期、寶媽和寶寶在不同階段關注的內容和產(chǎn)品是完全不同的，母嬰內容社區(qū)平臺可基于后臺數(shù)據(jù)分析、機器學習完成規(guī)模推薦，將會在很大程度上提升用戶運營效率，實現(xiàn)精準觸達。因此，理解業(yè)務包含對產(chǎn)品形態(tài)、具體場景等的理解。

2）影視領域的推薦參考指標通常為“用戶點擊視頻”，但在新用戶階段，可參考的數(shù)據(jù)樣本較少，沒有完整的樣本供模型訓練。此時，通過深入了解產(chǎn)品的使用過程，就會發(fā)現(xiàn)在各個類目推薦的時候，用戶滑動視頻的動作其實代表了用戶當前的興趣特征，如果把它引入到新用戶冷啟動的模型中，就能夠產(chǎn)生較好的推薦效果。也就是說，要精準定位用戶的典型特征，作為模型計算的參考。

2.基于目標，選擇合適的模型

在推薦的過程中，我們常用的模型包括：決策樹、KMIS、線性回歸等。當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。也就是說要根據(jù)目標場景選擇合適的模型。

3.發(fā)揮行為數(shù)據(jù)的價值

選擇了合適的模型之后，要將用戶的部分關鍵行為作為用戶特征。

如下圖左側，在某地圖產(chǎn)品中，當用戶在搜索框輸入了部分文字，系統(tǒng)會自動預測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，某些情況下會產(chǎn)生“誤點擊數(shù)據(jù)”，即系統(tǒng)推薦給用戶的內容并非用戶目的地，用戶“誤點擊”之后產(chǎn)生的數(shù)據(jù)為“無效數(shù)據(jù)”，即純粹用“點擊行為”做模型學習的話會產(chǎn)生無效樣本。那么，這個時候，神策的會話功能就可以被引入到整個樣本的篩選過程中，基于用戶最終的目的地，關聯(lián)其前面步驟中的“輸入”與“點擊行為”，就可以有效解決“無效點擊”的問題。在這個過程中，行為前后的序列通常都是很重要的特征，要重點關注。??如上圖右側所示，深度學習在智能推薦過程中使用較多，其最重要的特點是建模用戶行為的時序特征，此時模型就會把它當做訓練的重要考慮點，同時保證用戶精準識別，行為序列的時間戳記錄不能混亂。

4.效果評估，多指標學習

就「推薦」來說，我們經(jīng)常會建立一定的指標去訓練模型，具體指標包含點擊率、轉化率等，同時做多維度劃分洞察新用戶的轉化，其核心在于選擇什么樣的目標。

我們可以參考某視頻平臺的場景：視頻前后的廣告推薦應該以什么為核心指標？如果以“人均點擊次數(shù)”為核心指標，會導致“標題黨”內容，這個時候有兩種選擇，第一，設計相對應的解決策略，第二，評估指標選擇是否正確，如果評估指標為“視頻播放時長”，那么得到的分析結果相對質量會更高。這就是指標選擇的重要體現(xiàn)。

5.優(yōu)化效果，數(shù)據(jù)分析助力

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

下圖是為某款陌生人社交產(chǎn)品的推薦調優(yōu)過程，其核心功能是「匹配」。??在匹配人率（成功匹配人數(shù)/點擊喜歡的人數(shù)）方面，神策得出的數(shù)據(jù)值低于客戶自建。這個時候，需要通過業(yè)務指標的拆解，尋求數(shù)值不一致的原因。

經(jīng)過指標變形，我們得到這樣一個公式：匹配人率 = 回關率 * 人均點擊喜歡次數(shù) * 匹配覆蓋度。“回關”指的是用戶點擊“喜歡”后，得到的對方“喜歡”的次數(shù)。通過對比發(fā)現(xiàn)，在其業(yè)務形態(tài)中，神策是以“點擊喜歡”作為核心指標進行計算，這就導致了大批量的優(yōu)質用戶因為其回關門檻較高，導致了回關率低、匹配人率低。通過以上洞察，神策數(shù)據(jù)及時調整召回模型的參數(shù)，以“匹配成功”為訓練參數(shù)，得到的匹配人率遠高于客戶自建。

在這整個過程中，我們基于數(shù)據(jù)分析發(fā)現(xiàn)結論，以此驅動數(shù)據(jù)智能產(chǎn)品的優(yōu)化。

6.產(chǎn)品層面持續(xù)改進

算法和模型不是萬能的，當選擇了模型、特征之后，在產(chǎn)品的 CPR 值達到了較高階段的時候，我們的業(yè)務指標不僅僅要通過算法的形式去實現(xiàn)，還要結合產(chǎn)品層面來持續(xù)改進。

比如，當用戶通過 APP 搜索美食，除了可以推薦給用戶飯店名稱，我們還可以通過知識圖譜的學習給出推薦理由，為什么這家飯店排行第一等，有助于用戶理解排序結果，并引導用戶深入查看。 在產(chǎn)品外形方面，雖然個性化推薦的效果較好，但曝光較低，這是因為大多情況下，個性化推薦欄目往往在產(chǎn)品形態(tài)里較弱的位置，這個時候就需要對產(chǎn)品流量分發(fā)層面進行改進，把更多的內容在產(chǎn)品外層直接曝光，提升平臺的可能性。

在個性化海報方面，因為每個人的關注點不同，所以可以借助機器化形成個性化海報展示給用戶，以此提升 CTR。

神策如何助力企業(yè)探索數(shù)據(jù)智能

在服務了 1500+ 企業(yè)之后，神策發(fā)現(xiàn)數(shù)據(jù)智能的關注者更多的還是企業(yè)內部的技術人員，對業(yè)務發(fā)展的影響有限。究其原因，主要有以下三點：

1.數(shù)據(jù)質量不夠高，導致智能推薦的結果和預測結果都不準確，無法為業(yè)務提供參考。

2.技術人力投入較低，對于整個行業(yè)來說，大部分模型的持續(xù)引進都依賴于頭部公司的不斷迭代，相對來說，中小企業(yè)在這方面缺乏長期的積累。

3.業(yè)務部門的參與有限。業(yè)務部門對數(shù)據(jù)智能的關注度低，導致數(shù)據(jù)智能無法應用到實際業(yè)務過程中。
?基于以上三大痛點，神策發(fā)揮的作用是什么呢？

首先，對于數(shù)據(jù)質量，神策堅持“給客戶帶來價值”的工作原則，通過多種方式幫助客戶提升數(shù)據(jù)質量。比如，多端數(shù)據(jù)打通，用戶關聯(lián)支持多對一、多對多，數(shù)據(jù)接入過程中強校驗，專門的數(shù)據(jù)治理，把控交付質量，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、神策智能運營、神策智能推薦、神策用戶畫像、神策客景，功能涵蓋基礎的數(shù)據(jù)分析、打標簽、健康預測、指標預測、個性化推薦等等。

其中，對于神策智能推薦，我們不僅希望帶給客戶一次性計算，更多地希望能夠形成一個可交付的產(chǎn)品，我們可以看到整個推薦模型的運轉過程，也可以保證一定的開放性，就是說我們業(yè)務人員可以對此展開洞察、調用，賦能業(yè)務實踐，提升整體的推薦效果。??每個用戶對于特定的業(yè)務場景，其模型訓練標簽都是一個單獨的過程。如果我們想要將其規(guī)模化，需要抽象出各個模型預測標簽，以此預測該用戶接下來的業(yè)務表現(xiàn)。這也是神策用戶畫像在做的一件事情。

比如，某產(chǎn)品要預測用戶接下來會不會購買該產(chǎn)品的會員服務。首先選定目標用戶，可能是此前購買過但已流失的用戶，也有可能是從未觸達到的用戶，但整體需要基于“決定性”特征去完成篩選，比如用戶的屬性，做過什么樣的行為等，然后通過機器學習的方式為有可能購買會員服務的用戶打上“業(yè)務轉化”的預測標簽。除此之外，在渠道投放上也同樣適用。

最后，以數(shù)據(jù)智能驅動業(yè)務發(fā)揮價值。對于智能產(chǎn)品的交付，以「推薦」為例，我們不僅交付推薦的結果，而且以業(yè)務目標為導向，在最初的需求調研階段，我們會主動跟客戶溝通應該關注的業(yè)務指標，并以指標的提升作為交付目標。??以上為本次演講全部內容，感謝大家的聆聽！?

總結

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(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。