摘要： 每個企業都有許多的資料，但能否將資料轉化成商業價值，是企業非常關心的問題。阿里巴巴曾自嘲是一家坐在資料的金礦上啃著饅頭的企業，前幾年集團積累了很多的資料，但這些資料並沒有真正應用起來，受限於幾個原因，比如大資料的技術框架還不成熟，運營團隊對資料應用的意識還不是很強，但今天，資料在阿里巴巴的應用範圍已經越來越廣泛。

每個企業都有許多的資料，但能否將資料轉化成商業價值，是企業非常關心的問題。阿里巴巴曾自嘲是一家坐在資料的金礦上啃著饅頭的企業，前幾年集團積累了很多的資料，但這些資料並沒有真正應用起來，受限於幾個原因，比如大資料的技術框架還不成熟，運營團隊對資料應用的意識還不是很強，但今天，資料在阿里巴巴的應用範圍已經越來越廣泛。

本文根據2018年雲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，介紹面向移動網際網路時代的智慧運營體系搭建，主要分成三塊內容：第一，智慧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在智慧運營系統中的應用。

一、智慧運營的使命和典型應用場景

衡量一個智慧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資料的增長，因為增長是企業最核心的訴求。

要實現企業智慧運營，首先要進行資料運營閉環的建設。傳統的BI，收集資料，給老闆產出報表，讓老闆做決策，但智慧運營系統，最重要的是把資料應用到實際業務場景中，形成資料閉環。收集資料，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，最後把使用者的使用資料反饋給我們的系統。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於平臺上的使用者對我們的認可。EMAS的業務統計模組可以承擔資料採集的工作，瞭解了使用者的行為，機器智慧的作用就在於將使用者的行為資料轉換為企業的運營行動。

具體的流程可以分成這麼幾個部分：首先基於原始資料，以新客為例，根據使用者對冷啟動階段的熱門資料的點選情況，對使用者進行第一次打標，我們大體識別該使用者屬於什麼樣的型別；其次，我們做嘗試性推送，比如資訊或者產品，使用者根據我所推送的資訊或者產品，會有相應的點選行為，經過幾次互動，機器對該使用者的理解會加深。最後，經過使用者跟平臺的多次互動後，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，這是智慧運營系統的基本流程。

我們對使用者的全生命週期理解，是從新客到老客以及老客幫你做傳播這一整個階段，時間週期還是比較長的。針對一個新使用者，你直接把希望他下單的資訊推送給他，效果往往不會特別好。所以必須要對使用者整個生命階段做一些細緻的分析。

智慧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。但到了無線時代之後，個性化推薦的效果就提升明顯，源於使用者行為發生了很大的變化。無目的性，碎片化，隨時隨地。我們能否將使用者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，需要企業對使用者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，智慧選品。前面講的更多的是，產品如何更多與使用者進行互動，智慧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使用者。超市希望吸引年輕人，就需要調整貨品結構，把年輕使用者吸引回來。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澱。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，如果用子頻道的資料跟使用者做個性化匹配，做千人千面的入口圖，入口點選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使用者計算一個推薦列表，每天把這個資料重新整理一遍。這樣做的問題是什麼？使用者的資料量一直在增長，相應的儲存成本也會隨之增長，企業投入成本會很大。所以系統設計的時候需要考慮藉助標籤的能力。另外，每個人對標籤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。離線推薦主要是基於歷史資料，實時推薦是基於當天的資料，當天給使用者做推薦，轉化率往往最高。但是對我們的挑戰是什麼？第一，必須有實時計算的能力，因為使用者給我們的時間非常少，如果你延遲五分鐘，基本上使用者就流失了。第二，從演算法角度來講，必須要做一個平衡，你是基於歷史推薦資料，還是當天的實時資料，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，判斷一個使用者從來都只買新款，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，但這裡會有一個什麼問題呢？會產生很嚴重的馬太效應：第一，我的推薦依賴於我的歷史資料。為什麼給你推衣服？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，然後你又點了，這樣又產生了一條歷史資料，我發現效果確實很好，那模型下次推什麼？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，最後發現你的行為也越來越窄，這跟人的實際特徵是不匹配。我們要在推薦系統裡擴充套件品類的寬度。第二，推什麼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，導致什麼結果？系統推薦的產品範圍也越來越窄，這是很嚴重的問題。就是說給使用者推薦的品類越來越窄，產品範圍越來越窄。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裡面不存在的東西，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，爆款之後肯定有新品，新品也需要變成爆款。

第五，髒資料。髒資料一般分兩類，第一類是無效資料，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。這樣的資料對日常推薦並沒有太大的幫助，這些資料必須要剔掉。第二類資料是作弊資料。像刷信用、刷積分的資料量往往很大，這樣的資料如果不剔除掉，最終預測的結果和你原來的真實值之間的偏差會非常大。

最後介紹一下阿里巴巴實時推薦的系統架構，大概會分成這麼幾個部分，有EMAS資料統計模組，採集資料，拿到資料之後要對資料進行加工和訓練，形成模型後把資料應用到生產環境。生產環境，一般來說是儲存到圖資料庫，因為它是網狀結構，最後是一個非常簡單的API，可以簡單呼叫資料。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援行業經驗的輸入，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，今天一套通用演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，資料一定要轉起來，因為資料不轉起來我們就不知道我推薦的結果是否準確、對使用者的洞察是否準確，我們要必須保證資料執行一段時間後，資料是整體往上漲的。

三、AB在智慧運營中的應用

最後給大家講一下AB測試在智慧運營中的應用。大家也知道今天演算法的發展非常快，像前幾年深度學習很火，這幾年強化學習，一些新的演算法發展很快，我們在模型迭代過程中需要應用新的演算法。但一般來講，我們不一定能確認哪個演算法的效果更好，我今天線上下做非常多的評測，但最後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資料是一模一樣的，這個時候你再把一個桶的模型換掉，資料是可信的。

原文連結