移动互联网+智能运营体系搭建=你家有金矿啊！
每个企业都有许多的数据，但能否将数据转化成商业价值，是企业非常关心的问题。阿里巴巴曾自嘲是一家坐在数据的金矿上啃着馒头的企业，前几年集团积累了很多的数据，但这些数据并没有真正应用起来，受限于几个原因，比如大数据的技术框架还不成熟，运营团队对数据应用的意识还不是很强，但今天，数据在阿里巴巴的应用范围已经越来越广泛。
cdn.com/72277701ce190fcba2f534c79608d0b36a8e7734.png">
本文根据2018年云栖大会杭州站移动研发平台EMAS专场上，阿里巴巴资深技术专家元绰的演讲整理成文，介绍面向移动互联网时代的智能运营体系搭建，主要分成三块内容：第一，智能运营的使命和典型应用场景；第二，个性化推荐系统的架构；第三，AB在智能运营系统中的应用。
一、智能运营的使命和典型应用场景
衡量一个智能运营系统做得好不好，目标非常明确，就是看能不能帮企业实现数据的增长，因为增长是企业最核心的诉求。
要实现企业智能运营，首先要进行数据运营闭环的建设。传统的BI，收集数据，给老板产出报表，让老板做决策，但智能运营系统，最重要的是把数据应用到实际业务场景中，形成数据闭环。收集数据，通过模型的训练转换成系统的预测能力，运用到实际业务场景中，最后把用户的使用数据反馈给我们的系统。经过几轮迭代，整个系统的预测能力会越来越强。
企业希望提升业务结果，业务结果的提升依赖于平台上的用户对我们的认可。EMAS的业务统计模块可以承担数据采集的工作，了解了用户的行为，机器智能的作用就在于将用户的行为数据转换为企业的运营行动。
具体的流程可以分成这么几个部分：首先基于原始数据，以新客为例，根据用户对冷启动阶段的热门数据的点击情况，对用户进行第一次打标，我们大体识别该用户属于什么样的类型；其次，我们做尝试性推送，比如资讯或者产品，用户根据我所推送的资讯或者产品，会有相应的点击行为，经过几次交互，机器对该用户的理解会加深。最后，经过用户跟平台的多次互动后，企业配合相应的运营策略，比如促销，转化效果就会有比较明显的提升，这是智能运营系统的基本流程。
我们对用户的全生命周期理解，是从新客到老客以及老客帮你做传播这一整个阶段，时间周期还是比较长的。针对一个新用户，你直接把希望他下单的信息推送给他，效果往往不会特别好。所以必须要对用户整个生命阶段做一些细致的分析。
智能运营的三个典型的应用场景：
第一，千人千面。淘系在PC时代也做过推荐相关的工作，但效果不好。但到了无线时代之后，个性化推荐的效果就提升明显，源于用户行为发生了很大的变化。无目的性，碎片化，随时随地。我们能否将用户给我们的碎花片时间充分利用好，让我们的消费者一下子对我们的产品感兴趣，需要企业对用户要有非常深的理解和洞察。
第二，精准营销。营销活动前，分析所面向的人群，具体的定价策略，以及在这样的定价策略下的销量预测，这样企业就可以预先知道KPI的完成情况。
第三，智能选品。前面讲的更多的是，产品如何更多与用户进行互动，智能选品适用的场景是我们对目标客群有认知，希望触达我们原来没有触达到的那批用户。超市希望吸引年轻人，就需要调整货品结构，把年轻用户吸引回来。盒马、淘宝心选，是阿里做的比较好的案例。
二、个性化推荐系统架构
接下来，给大家介绍一下个性化推荐系统。个性化推荐在阿里巴巴集团这几年有很多的沉淀。以手机淘宝首页为例，很多地方都做了个性化，比如入口图，每个APP都有子频道，子频道的入口图大部分用的是设计师做的静态图，如果用子频道的数据跟用户做个性化匹配，做千人千面的入口图，入口点击的转化会有很大的提升。
好的个性化推荐需要有哪些注意点：
第一，工程实现。个性化推荐，传统的实现方法，是截止某一个时间点给用户计算一个推荐列表，每天把这个数据刷新一遍。这样做的问题是什么？用户的数据量一直在增长，相应的存储成本也会随之增长，企业投入成本会很大。所以系统设计的时候需要考虑借助标签的能力。另外，每个人对标签对应的货品排序应该不一样，我们要增加二次排序，要保证每一个人的推荐列表虽然货品一样，但是顺序有差异。
第二，实时推荐。离线推荐主要是基于历史数据，实时推荐是基于当天的数据，当天给用户做推荐，转化率往往最高。但是对我们的挑战是什么？第一，必须有实时计算的能力，因为用户给我们的时间非常少，如果你延迟五分钟，基本上用户就流失了。第二，从算法角度来讲，必须要做一个平衡，你是基于历史推荐数据，还是当天的实时数据，到底哪个转换率最高，要做一个平衡。
第三，时间和空间。拿电商来说，羽绒服或者衣服都有季节属性，羽绒服适合冬天穿，电子产品有新老款，判断一个用户从来都只买新款，你就应该把新款推荐给他。另外，推送有时间衰减效应，不能一直推相同的货品。时间和空间是必须考虑的两个维度。
第四，发现性。大家在做个性化推荐的时候，模型基本上都是以一个具体的目标来做优化，但这里会有一个什么问题呢？会产生很严重的马太效应：第一，我的推荐依赖于我的历史数据。为什么给你推衣服？是因为你老是看衣服，模型判断推衣服的转化肯定是最高的，我推荐了，然后你又点了，这样又产生了一条历史数据，我发现效果确实很好，那模型下次推什么？肯定还是给你推衣服。但实际上每个人的兴趣爱好很广泛，我给你推的品类越来越窄，最后发现你的行为也越来越窄，这跟人的实际特征是不匹配。我们要在推荐系统里扩展品类的宽度。第二，推什么样的产品转化率最高？肯定是爆款，不管是金融行业还是其他的行业，爆款转化率最高，模型判断推爆款的转化比一般产品的转化要更高，导致什么结果？系统推荐的产品范围也越来越窄，这是很严重的问题。就是说给用户推荐的品类越来越窄，产品范围越来越窄。所以在整个模型过程中，去尝试推荐一些他可能原来历史记录里面不存在的东西，去做一些尝试性的发现，这是非常有意义的，否则对短期收益有好处，但是对长期收益有影响。所以转化率很重要，但是发现性更重要，品类拓宽会让你的业务体量越来越大，产品也一样，爆款之后肯定有新品，新品也需要变成爆款。
第五，脏数据。脏数据一般分两类，第一类是无效数据，比如说"双十一"，因为当天他们的行为非常特殊。"双十一"当天买了你平时可能不会买的东西。这样的数据对日常推荐并没有太大的帮助，这些数据必须要剔掉。第二类数据是作弊数据。像刷信用、刷积分的数据量往往很大，这样的数据如果不剔除掉，最终预测的结果和你原来的真实值之间的偏差会非常大。
最后介绍一下阿里巴巴实时推荐的系统架构，大概会分成这么几个部分，有EMAS数据统计模块，采集数据，拿到数据之后要对数据进行加工和训练，形成模型后把数据应用到生产环境。生产环境，一般来说是存储到图数据库，因为它是网状结构，最后是一个非常简单的API，可以简单调用数据。系统中有一块很重要，就是在模型训练过程中必须要具备支持行业经验的输入，因为我们在实践过程中发现，今天通用的模型去叠加一些行业规则，它的效果是非常好的，因为每个行业有每个行业的特殊性，今天一套通用算法想应用到所有行业是不现实的。这是我们个性化推荐系统的简单系统架构图，它一定要是一个闭环，数据一定要转起来，因为数据不转起来我们就不知道我推荐的结果是否准确、对用户的洞察是否准确，我们要必须保证数据运行一段时间后，数据是整体往上涨的。
三、AB在智能运营中的应用
最后给大家讲一下AB测试在智能运营中的应用。大家也知道今天算法的发展非常快，像前几年深度学习很火，这几年强化学习，一些新的算法发展很快，我们在模型迭代过程中需要应用新的算法。但一般来讲，我们不一定能确认哪个算法的效果更好，我今天在线下做非常多的评测，但最后还是要到生产环境去做实验。我们可以做分桶测试，基准桶和测试桶，测试桶我们用一个模型，基准桶用另一个模型，比较两个模型的效果。实际在应用过程中，我们在做AB测试前，必须要做AA测试，保证在实验之前两个桶的数据是一模一样的，这个时候你再把一个桶的模型换掉，数据是可信的。
