论推荐系统与精细化运营

Posted 2021-05-01 AI科技大本营

作者丨gongyouliu

来源 | 大数据与人工智能（ID: ai-big-data）

随着大数据与人工智能(AI)技术的发展与成熟，国家政策层面对大数据与人工智能技术、创新、创业层面的支持，企业越来越意识到数据和AI技术的价值，并逐步认可数据是企业的核心资产。怎么利用大数据和AI技术从这些价值密度低、源源不断地产生的海量数据中挖掘商业价值，提升公司的决策力和竞争力，是每个提供产品/服务的公司(特别是toC互联网公司)必须思考和探索的问题。

 

数据发挥价值的最重要的一种方式是做精细化运营，即根据不同的场景和特征进行有针对性的运营活动，提升运营的效率。推荐系统就是最重要的一种精准运营的方式，它借用机器的力量在无人干预的情况下为每个用户提供个性化的内容推荐。推荐系统已经深入到我们生活的每一个角落，现在越来越多的企业已经做到了千人千面，毫不夸张地说，未来推荐系统会成为所有数据型产品的标配，个性化时代已经到来！除了推荐系统外，内容运营、会员精细化运营、定向广告等运营活动都需要基于数据来获得对用户的深刻洞察，通过用户画像平台来圈定用户，并对用户进行有针对性的营销活动。

 

在这篇文章中，我们就来讲解数据化运营、精细化运营相关的知识点，以及推荐系统作为一种精细化运营的工具，它在精细化运营中的作用，它跟常规的精细化运营的区别与联系。具体来说，在这篇文章中我们会从运营简介、数据化运营、精细化运营、用户画像介绍、推荐系统与精细化运营等5个方面来讲解相关知识。通过本文的学习，读者可以更加深刻地理解数据分析、用户画像、个性化推荐相关技术及方法论在运营中的价值，更好地领悟运营(特别是精细化运营)和推荐系统在产品迭代优化和用户发展中的作用。

 

运营简介

所谓运营，就是对企业运行过程的计划、组织、实施和控制，是与产品生产和服务创造密切相关的各项管理工作的总称。从另一个角度来讲，运营管理也可以指代对提供公司主要产品和服务的系统进行设计、运行、评价和改进的管理工作。

 

运营不限于何种类型的企业，但在本文中我们将讨论范围限定在互联网企业。从广义角度上讲，互联网公司中一切围绕着网站或者APP产品进行的(人工或者自动化)干预都叫运营。运营对一个公司来说是非常重要的，连公司最高领导(CEO)都叫做首席运营官，他对公司业务发展与日常运营负责。除了CEO，互联网公司有专门从事更基础、更细致、更具体的事务执行的运营职位。随着互联网的发展，运营职位也越来越多样化，有用户运营、内容运营、商家运营、活动运营、社群运营、产品运营、新媒体运营等等。不管哪种运营方式，本质上还是对用户的运营，因为企业赖以生存的基础就是用户，企业的利润最终一定直接或者间接来源于用户。

 

技术、产品、运营是互联网时代的三驾马车，它们的目标是一致的，那就是发展用户、服务用户。三驾马车在不同的阶段，分别发挥了不同的重要作用。在互联网早期，新技术刚刚出现，这个时候就是技术上谁先做出来谁就赢了，当时能够成功的企业创始人一般都是技术极客，国外的如微软的比尔盖茨、Google的拉里佩奇，国内的如百度的李彦宏、腾讯的马化腾，他们无不是占尽了技术的红利，利用技术优势杀出了一片天空。

 

互联网的飞速发展，同类产品的竞争加剧，用户也完成了从“小白”过渡到资深的产品使用者，对产品有了更高的要求，用户需要好的产品、好的使用体验，这个时候强调用户体验的产品经理获得了公司老板的认可，大量在用户体验上做的好的产品脱颖而出。这时不是说技术不重要了，而是仅仅依靠技术无法在竞争中取胜，比较有代表性的产品就是微信、今日头条、抖音等，它们把产品体验做到了极致，成就了伟大的产品，这一时期是产品驱动的时代。

 

但随着互联网越来越成熟和规范化，产品在设计和实施上有了更多通用的“模板”和解决方案，这时候很难有质的突破和创新，产品经理在其中的价值和作用逐渐淡化。这时引爆产品增长的就是以数据驱动、关注用户个性化诉求的运营活动，即数据化运营和精细化运营。

 

互联网从最早的以技术驱动，过渡到以产品驱动，到当前以运营驱动，互联网进入了以运营驱动的时代。早期互联网流量为王，谁获得了流量，谁就可以更好地获利。在互联网飞速发展的早期二十年里，流量为王就是真理，没有受到过任何挑战，谁握有流量，谁就掌握了互联网生态圈的话语权。当流量红利结束时，比拼的是谁更会服务用户，服务好用户的企业才能在激烈的竞争中生存下来，这就体现了运营的价值。

 

在这里我们只介绍这么多运营相关的背景知识，想对运营想做进一步了解的读者可以学习参考文献1这本书，这本书写得非常好，对运营的价值、运营的操作层面、运营人员的成长等都做了非常生动深入的总结。这本书的作者黄有璨本人也是运营圈的资深大咖。

 

运营工作基本就是一个决策的工作，需要经过思考和判断来采取行动，在数据量少、数据思维还不流行的年代，运营人员更多的是用自己的认知和自我感觉来进行决策，因此决策效率是极低的、甚至经常会产生错误。随着大数据和人工智能的发展，数据化思维在运营圈中越来越受到重视，才逐步出现了数据化运营、精细化运营的理念。

 

大数据与人工智能作为两种重要的工具，如果能够很好地用于运营中，是可以产生极大商业价值的。下面几节我们就来讲讲数据化运营、精细化运营的概念，以及大数据和人工智能驱动下的用户画像和智能推荐怎么更好地帮助到运营人员的。

数据化运营

在当今关系错综复杂的时代，人类的直觉往往是不靠谱的，我们需要借助真实数据和案例来帮助我们更好地了解世界、了解用户的行为，数据可以为我们的决策提供科学的指导。特别是AB测试技术(对AB测试感兴趣的读者可以参考《 》这篇文章)被Google最早用到互联网产品中，产生了巨大的价值，数据化思维越来越得到大家的认可，并且确确实实帮助到了产品和公司的发展，出现了增长黑客(这这一概念感兴趣的读者可学习考参考文献2、3这两本书，国内也有很多创业公司专门做数据驱动增长，如GrowingIO)的理念，并在国内外的互联网企业中得到了大规模的采用。

 

当大数据发展到当今越来越成熟的阶段，相信每一个互联网人都认可数据是企业的核心资产，并且通过大数据挖掘和AI技术可以从数据金矿中提炼出金子来。数据化运营就是这类利用技术手段来优化运营策略，提升运营效率的工具。数据化运营的本质是利用数据来说话、通过数据来驱动业务增长。

 

数据化运营借助大数据技术，从用户行为中挖掘出有价值的信息，应用于用户生命周期中的各个阶段，包括拉新、促活、留存、转化、变现、传播等，即所谓的AARRR模型，提升用户体验，让用户留下来，引导用户更频繁地使用产品，为公司创造商业价值。

 

数据运营作为一个职位，主要是利用数据来解决企业发展中的运营问题，既可以是大数据团队中的职位，通过数据分析来支持日常决策，除了数据技术好外，更重要的是要懂业务、有业务思维，懂得只有应用到业务中进行决策，数据才有价值。也可以是运营团队的职位，是一位懂数据分析的运营人员，至少SQL能力要很强，当大数据团队构建出了比较完善的基础架构体系后，利用SQL分析就可以解决绝大多数数据决策问题。

 

数据化运营利用数据来决策，一切用数据说话，那么是否有一些方法论来指导日常的运营工作呢？确实是有的，我认为闭环思维和漏斗思维是数据化运营中最重要的两种思维模式，每个数据分析人员和运营人员都需要理解、掌握并熟练运用。

 

首先数据分析人员和运营人员一定要有闭环思维。要明确自己的目标，针对目标梳理出关键任务点(解决这个目标的多种可行思路)，针对具体任务点形成可行的(多个)解决方案，并具体实施，最终对实施结果进行评估。如果达成了既定目标，那么整个过程就是对的、有效的，这个过程就可以固化为运营人员的知识和经验，如果没有达成目标，需要考虑评估目标是否正确和合理，如果是合理的，那就要看看方法是否够完整全面，否则需要重新评估目标，优化定义的目标，形成新的目标，并按照这个流程来重新执行，整个思考决策的过程参见下面图2。

 

图2：数据化运营的闭环思维

 

如果运营人员的目标是对产品的优化和调整，同一个事情有多个解决方案，这时可以借助强大的AB测试工具来更好地决策，提升决策的效率，降低决策风险。

 

数据化运营另一个重要的思维是漏斗思维。用户在产品上的行为结果，从开始到最终达成这个结果需要经历几个阶段和关键节点(路径)，这些关键节点前后串联起来，形成一条链，从前一个关键节点到后一个关键节点，用户有一定的概率会流失，如果从整个用户群体来看，上一个节点的人数一定是大于下一个节点的，用图像形象表示出来就形成一个漏斗(参见下面图3)。不管是电商行业的变现路径：曝光 -> 浏览 -> 扫码 -> 下单，还是视频行业的播放路径：登陆 -> 曝光 -> 浏览 -> 播放，都可以看成是一个漏斗。

 

             

图3：用户变现路径的漏斗模型

 

漏斗模型要求运营人员需要关注漏斗中从一个关键节点到下一个关键节点的转化率(或者流失率)，通过优化产品流程和产品体验提升每一个节点(到下一个节点)的转化率。从漏斗的最上层到最下层需要经过多次转化，最终的转化率是每一层转化率的乘积，只有每层转化率足够高，最终的转化率才有保证。

 

数据化运营是一种方法论，上面提到的闭环思维和漏斗思维是数据化运营最重要的两种思考方式。数据化运营的对象可以是所有的运营形式，包括用户运营、内容运营、产品运营、活动运营等。对于互联网产品(特别是toC产品)来说，用户是最重要的，公司依赖于发展用户，从用户获取商业利益，因此运营好用户(即用户运营)是最重要的事情之一。对于用户运营，PC时代的运营策略是通过编辑提供内容编排来服务于用户，所有用户能够看到的编排是一样的，而用户的需求是多样性的，这就在内容编排的单一性和用户兴趣多样性之间产生冲突，解决这个问题的一种有效的方法就是我们下一节要讲的精细化运营。

 

精细化运营

要说精细化运营与我们通常意义上的运营有什么区别的话，那就是精细化运营更注重投入产出比，粒度更细，能够更加精准地根据用户兴趣、内容特征、产品阶段、活动状态等进行数据化的、科学的决策。

 

下面我们分别从精细化运营的概念、精细化运营的特点、运营进入精细化阶段的必然趋势、精细化运营的挑战、做精细化运营的流程和方法等5个角度来介绍精细化运营。

 

1. 什么是精细化运营？

精细化运营是一种针对人群、场景、流程做差异化细分运营的运营策略，是结合市场、渠道、用户行为等数据分析，对用户展开有针对性的运营活动，以实现运营目的行为(这个运营目的可以是更多的用户留存、可以是更高的转化率，甚至可以是吸引更多的用户去线下店消费)。简单讲，从流量角度来说精细化运营是追求流量价值的最大化，从用户角度来说，就是基于用户需求(这个需求不是用户自己亲口提的，而是基于用户行为分析得到的)，提供专门定制化的服务。精细化运营可以帮助企业在资源和人力上得到更高效、更节省的使用。

 

2. 精细化运营的特点

精细化运营是传统粗放式运营在流量红利枯竭后的必然产物，是企业资源高效利用的一种运营方式，它有自身的特点，主要表现在如下几个方面：

 

• 更关注用户细分，需要提前做用户分析(行为、设备、渠道、心理等等各种分析)，需要充分剖析用户，拥有足够完整的用户画像(在第四节我们会介绍用户画像相关的知识点)，精细化运营工作才能得以展开。

  
  

• 更关注流量的有效利用，跟过去粗放式运营不同，强调精准，更多地关注留存和转化，而不是拉新(在当前流量红利枯竭的时代，拉新成本越来越贵，运营圈有一句很出名的话是说，“生于拉新，死于留存”，如果只做拉新，不关注留存，是很难做大产品的)，重视发挥现有流量的价值。

  
  

• 更多样的数据分析方式和多维度的数据分析，强调数据价值的有效利用和充分发挥。

 

3. 为什么说我们进入了精细化运营时代？

流量越来越贵，任何公司在做事之前都会看重 ROI(投资回报率)。企业之所以越来越重视精细化运营，是因为通过精细化运营来实现产品成功的成本低于其他方式的成本，而回报也相应更高。在这一背景下，能活下来、发展得好的企业都是注重精细化运营的。这里有三点原因可以用于解释为什么精细化运营越来越重要，基于这三点原因，我们现在进入了精细化运营时代。

 

• 流量越来越贵

引用36kr《买不起的流量，创业者每一天都是生死存亡》里的一句话：

一个下载App用户的成本为40元以上，但7成的人下载后都没有消费，“每10个人下载我们的App，就有近300元人民币被白白浪费掉。”

而这仅仅是对流量价格相对较低的电商App。一款 ios 游戏下载激活的成本高达60元，而金融行业的获客成本的顶峰已经达到1000-3000元。加之流量黑产横行，“人傻，钱多，流量速来”的粗放式流量获取早已行不通。我们需要精细化的流量运营，优化流量漏斗，对 AARRR 模型里的转化率、留存更加关注。

 

• 人口红利消失

国内互联网网民数、移动用户数饱和，人口红利消失，从增量市场进入存量市场。然而，增量乏力，存量市场竞争更加激烈，所有能够想到的创业点基本都被做了，几乎所有的细分领域都进入了红海状态。在这种环境下，有两条路可走：一条路是出海，印度、东南亚等新兴市场不乏出海互联网公司的影子，如小米、一加、猎豹、UC等；而另一条路就是精细化运营，用最小的成本，挖掘最大的流量价值。

 

• 技术的发展与成熟

云计算、大数据等技术发展和应用更加成熟，厂商的开放，使得云计算及大数据分析成为企业生存的水电煤，成为一种基础资源。前面提到，大数据与AI技术是精细化运营的两个最有力的武器，有了大数据、云计算及构建在云平台上的AI技术的加持，精细化运营有了足够的技术支撑，应用数据分析技术挖掘用户数据，并进一步迭代优化产品，进行个性化有针对性的运营成为可能。

4. 精细化运营面临的挑战

精细化运营虽然思维好，方法巧，价值大，但是要想很好地在企业中落地，还是会面临非常多的困难和挑战的，需要企业付出极大的努力才能做得好，下面几点就是重要的挑战。

 

• 场景繁杂，执行流程漫长

企业产品与运营平台多样化，多种业务场景、多种触达方式分散在不同平台，执行流程长，效率低。

 

• 触达方式单一

精细化运营需要借助数据分析、用户分群、AB测试、用户画像等大数据与AI技术以及适当的工程实现才能做到，并且内部平台触达方式有限，需要研发资源配合，与业务方对接需要多个平台支持，成本较高。

 

• 受众筛选做不到精细

由于企业产品特色、拥有的资源限制，企业一般很难收集到用户多维度的数据，这导致用户标签维度不全，分群不够精细；不支持实时触发或按特定条件触发，营销场景受限。

 

• 用户数据割裂

现代企业越来越复杂，团队分散在多处、产品多样(既有线上又有线下，既有网站又有APP)、部门割裂，导致用户行为数据分散在各处，很难形成统一的数据服务平台，运营数据无法形成闭环，反馈缺失。

 

• 缺少运营策略的整体思维

只有运营目标，缺少体系化的运营策略，只停留在细节琐碎的执行层面，活动一旦结束，数据就快速回落到原先的水平；

 

在这种背景下，能够提供一站式用户精细化运营、全渠道用户触达、千人千面的精细化细分用户定义、数据驱动运营闭环的创业公司应运而生。这些公司通过不断地实践，积累了一套行之有效的运营方法和工具。

 

5. 精细化运营的流程与方法

目前精细化运营已经形成了一套行之有效的方法论，精细化运营的方法不止用于用户运营，其他的运营活动都可以采用精细化的思路来进行，但本质的方法和思想是一致的，这里我们以互联网产品的用户精细化运营为模板来介绍精细化运营的思路和方法。

 

针对用户的精细化运营，以数据分析为基本方法，挖掘用户偏好，构建用户画像，基于用户画像对用户分群，针对不同的分群确定个性化的运营策略，并按照不同的分群将运营策略触达到用户，在产品上承接住不同的运营策略，这样用户在使用产品的过程中，获得的就是针对他这个群组的个性化、有针对性的运营活动。在运营活动期间，我们还需要收集用户的行为反馈数据，评估运营的质量，发现其中的问题，并进行有针对性的调整与优化，最终优化现有的运营计划或者执行新的运营计划，这个过程是一个持续不断的迭代闭环。具体的流程见下图。

       

图4：精细化运营流程

 

这一流程跟上一节提到的数据化运营的闭环思维是一脉相承的，上一节在数据化运营中提到的漏斗思维以及AB测试等工具都可以在这里得到体现和使用。

 

既然数据化运营和精细化运营有这么多的相似之处，那么它们有什么区别呢？为了让读者更好地理解这两个概念之间的关系，这里简单做一些说明。数据化运营更多的是利用数据作为工具和方法论来指导一切运营活动，它强调数据在运营中的指导作用，一切以数据说话，而不是拍脑袋决策。精细化运营更多的是从发挥流量的价值，提升投入产出比，对用户进行更加精准的营销，减少资源的浪费的角度来思考怎么更高效地运营。精细化运营本身也需要数据的指导，因此可以说精益化运营是数据化运营的一种具体体现形式。

 

精细化运营需要提前对用户有深入的洞察和了解，基于用户的需求进行定制化营销，因此深入了解用户是必须的，也是精细化运营能够成功的保障。对用户进行深入了解，我们就可以知道用户的兴趣爱好，方便我们更好地运营用户，这种挖掘用户特征和兴趣偏好的方法论就是用户画像。下面一节我们就来讲讲用户画像相关的知识。

 

用户画像介绍

我们一般喜欢用文本或者数字标签来描述用户某个方面的特征，比如年龄30岁、身高180、性别女、学历大专、动漫迷、吃货等。这些对用户个性和特征进行描述的词语，就是用户的标签。人类是非常喜欢并且习惯于给其他人或者事物贴标签的，我们通过标签可以更好地记住事物的特性，更好地区分事物，标签也是非常容易理解的，可解释性强。这些从不同维度对用户进行描述的词语的集合就构成了用户的画像。不同的维度刻画了用户不同的特性，本节我们就来讲讲用户画像相关的知识。

 

1. 用户画像的概念

从上面的介绍我们知道，用户画像，即用户信息的标签化。这里我拿视频行业的用户来简单介绍一下用户画像，加深大家的理解和记忆。针对视频类产品来说，用户标签包括用户的基本标签(也叫人口统计学标签，如年龄、性别、地域等)、设备标签(IOS手机、4G网络、256G存储等)、内容偏好标签(如科幻迷、韩剧迷等)、商业变现行为标签(如VIP会员等)和在APP上的行为标签(如深夜看剧)等。这些标签从不同的维度来描述同一个用户，让我们对用户有360度全方位的了解。

 

2. 标签的分类

对于描述用户的标签，我们可以从标签生成的方式及业务规则等多个维度来分类，标签有多种分类方式，不同的行业基于场景应用的需要也有不同的分类方法。下面我们来讲解一种常用的标签分类方法。

(1) 事实类标签

这类标签是基于用户实际行为挖掘而生成的，如：用户购买的次数，点击广告的次数，活跃天数。这类标签是通过数值统计的方式计算出来的。我们可以通过重复计算来验证标签的准确性。

(2) 属性类标签

• 预测类标签，基于机器学习模型进行预测，比如：性别，年龄。

一般可以基于经验规则、分类模型、回归模型来预测这类标签。比如经常买化妆品的人，我们可以猜测她是女性(有可能是她的老公帮她买的，但是我们这里的打的女性标签是业务上的性别标签，从行为上看起来像女性，就认为是女性，打女性标签更有利于业务运营)。对于离散的特征(只有有限个值，如性别)，可以用分类模型来预测，对于连续值标签，可以用回归模型来预测。

 

• 属性偏好类标签，如高收入人群、重度韩剧迷等就是这类标签。

基于数据统计和一个拟合的数学公式来计算标签偏好的分数，最后可以基于该公式计算的分数进行标签归类。典型的如收入的低、中、高就是这类标签。这类标签可以用抽样验证、业务验证或者ABTest多多种验证方式来检验标签的质量好坏。

(3) 定制类标签

基于业务需求和规则，定制用户标签，比如在家庭互联网中，一家可能有多个人，这时对家庭结构可以定义夫妻二人、三口之家、单身贵族、三代同堂等多种标签。这类标签需要回归到业务应用中来验证标签定义及划分质量的好坏。

 

标签的定义和归类依赖于行业、已有的数据、应用场景、技术手段等等，下图图5就是一种可行的较全面的标签定义方式。

        

图5：爱奇艺从多个维度来刻画的用户画像标签体系

 

下面是家庭互联网的一种标签分类方法，虽然跟上面介绍的叫法稍有不一样，但本质上是一致的。

图6：家庭互联网用户的标签体系

 

讲完了标签的定义和分类，下面我们来说说，怎么基于基于用户多维度的数据来构建一套完善的标签体系，最终形成用户画像。

 

3. 用户画像构建流程

成熟的企业一般有一套自己的数据仓库体系，将企业的所有数据归结到一起，便于业务应用，用户画像一般基于底层数据仓库体系构建。用户画像是一个动态变化的系统，因此，为了让该系统更加精准有效，需要根据用户不同维度的特征，将生成用户画像的过程拆分为不同的子模块，每个子模块负责生成某一个维度的用户画像标签，不同的子模块之间是没有任何关联的，它们之间没有耦合关系，这样的好处是可以分别独立迭代和优化各个子模块，也利于问题的定位与排查。最后可以将多个子模块的标签汇聚成完整的用户画像。

 

下面的图6是针对我们公司(家庭互联网视频行业)的一种用户画像生成流程的简化版本。针对用户内容偏好、用户年龄性别家庭组成等基础信息、用户历史行为、用户购买会员和观看广告的商业化变现行为等进行分析统计，形成用户的多维度标签，运用算法对各标签进行权重阈值计算，生成最终的用户画像数据。

       

图6：用户画像生成流程

 

用户画像是一类偏业务应用数据，需要供给各个业务部门使用，因此，需要构建出一个方便易用的操作平台，让用户画像更好地发挥价值。这个平台需要方便业务人员进行查询圈人，并且跟企业的其他业务平台(如广告投放平台、内容运营平台、活动运营平台等)对接，这样其他业务平台就可以直接利用圈定的人群进行各种运营活动了。下面图7就是我们公司的一个用户画像展示平台，可以查询某个用户的各类标签信息，也可以基于一定标签圈定一批具备这个标签的人群，并可以对圈定的人群进行多维度的分析(比如人群的活跃度、地域分布、使用时长分布等)。

         

图7：用户画像可视化展示平台

 

在下一节我们会讲解用户画像平台的整体架构，让大家对用户画像的技术体系、数据流向、业务使用范围等有一个整体宏观的把握。

 

4. 用户画像平台的基础架构

下图是用户画像平台的整体架构，我们通过各种数据源收集各个维度的数据，通过大数据技术、机器学习技术来构建用户模型、内容模型，获得对用户的深刻洞察，从各个维度来刻画用户的偏好，在服务层对获得的用户洞察进行封装，提供对应用层的接口，应用层基于这些接口支持包括推荐、精准广告、会员运营、内容运营等各类个性化、精准化的业务运营。

       

图8：用户画像平台整体架构

 

整个系统包括数据源、接入层、数据模型层、服务层和应用层5个层次(最右边的部分是系统的辅助模块，包括调度、监控与数据治理，这些模块可以保障用户画像系统高效运行，并对数据质量进行治理和维护，这里我们不细讲)。数据源是构建用户画像的原材料，需要尽量收集用户的全域数据，这样才可以获得用户更全面的画像。接入层提供统一的数据接入方式，让全域数据有一个统一的方式进入企业的数仓体系。数据层是整个系统的核心，我们在这一层进行数据分析、挖掘、模型构建，生成用户多维度的画像，并存于数仓中。在服务层，需要提供用户画像访问接口或者可视化的用户画像查询平台(上面图7的平台就是在这一层)供业务方使用。最上面一层是业务层，各业务方对接用户画像平台，最终让用户画像产生业务价值，我们在下一节会进行详细讲解。

5. 用户画像的应用场景

企业基于目前已有的数据积累及对业务的深刻理解，通过建立用户模型，将用户的各项属性和特征抽象为一个个的标签，构建了一套供业务方使用的用户画像平台，用户画像平台完全基于业务需要构建，需要体现和发挥业务价值。借助用户画像平台，通过精准个性化运营更好地服务用户、挖掘用户潜在价值，它的价值主要体现在如下4类业务中：

(1) 内容精准运营

在传统的信息门户网站(中国在21世纪初三大门户网站是搜狐、新浪、网易)中，编辑(类比报纸杂志的编辑)是不可或缺的职位，甚至在互联网时代，编辑这个角色也存在，只不过现在在很多行业叫做内容运营人员。

 

在互联网早期阶段内容数量有限，依靠编辑就可以将好的内容按照类目结构进行人工编排整理(见下面图9)，通过这样的编排，用户也可以有效地获取内容。随着互联网的发展，进入了移动互联网时代，人们获取信息的方式更加便捷多样，获取信息的渠道也越来越多样，技术的发展(手机摄像头技术的进步、AI技术的发展、网络传输技术的发展)让普通人都可以生产高质量的内容，并且年轻的一代更愿意表达自我，对个性化的需求更加看重。

       

图9：传统门户网站的内容类目编排结构

 

这些因素的共同作用导致在当下的企业中完全靠编辑进行内容运营是行不通的，根本没法满足用户对内容获取的多样性、个性化需求。幸好我们有用户画像平台可以事先洞察用户的偏好，这时内容的精细化运营就是一种很好的解决方案，通过用户画像模型，我们对用户的兴趣一目了然，内容运营人员至少可以采用如下2种方式进行内容的运营：

• 有针对性地运营用户

基于某个兴趣标签，将具备这类标签的用户圈定起来，针对这类用户进行有针对性的内容运营，即推送给他们具备他们喜欢的标签的内容。

• 有针对性地运营内容

基于某个内容特定的标签属性，从海量用户中找到对这类标签感兴趣的用户，将该内容分发给他们。

 

上面这两种精细化运营的手段，前一种侧重点在用户侧，基于用户选定内容进行运营，运营的是用户，后一种手段侧重点在内容，从内容出发找到对这个内容感兴趣的用户，运营的是内容。不过，本质都是运营用户。

 

(2) 会员精准运营

目前会员付费是互联网企业非常重要的一种变现手段，对于像爱奇艺等这类提供内容服务的企业，会员收入是最主要的收入来源。对于其他类公司，如美团、饿了么，有会员体系可以增强用户的粘性，提升平台的用户活跃度，最终也可以更好地获得商业利益。下面针对爱奇艺这类以内容为主的互联网企业，谈谈精准运营在会员运营中的特点和价值。

 

会员精准运营侧重的对象是会员，或者是潜在的具备购买意愿的非会员。针对会员用户，运营的目的是给他们提供更好的个性化服务，让他们享受到会员尊贵的待遇，从而能够续费留下来，或者升级到更高更贵的会员等级，为公司获得更多的商业利益。对于非会员用户，给他们推荐有吸引力的会员内容，吸引他们的兴趣，从而提升购买会员的概率。

 

上面只是从促进会员转化的角度来说明的，其实对会员用户进行活动运营等其他方式的精细化运营，也可以提升会员用户的活跃度和留存，为用户创造更好的产品体验，让用户更有存在感和归属感，最终用户也更愿意持续付费。

 

(3) 广告精准投放

广告是互联网公司另外一个非常重要的变现渠道，可以说是toC互联网企业最重要的变现渠道，不管是国外的Google、Facebook，还是国内的百度，广告是绝对的主要收入来源。毫不夸张地说，互联网企业之所以能够发展壮大，成为推动社会进步的重要力量，广告这种变现方式是其中最重要的原因(广告开创了”羊毛出在猪身上，狗来买单“的变现方式，让无很好变现途径的互联网企业获得了生存的救命稻草，得以存活下来)。

 

从广义上讲，广告也属于内容的一种，广告投放聚焦在广告上，传统的海投广告(展示广告)的模式效率极低，广告主的预算都花在了毫无价值的展示上了(品牌广告除外，投品牌广告的一般都是大公司，它们不差钱，每年都投入几亿到几十亿做广告，它们要的就是在广大用户心智中持续不断地植入他们的品牌)。怎么才能够将广告投放给对这个广告感兴趣的用户，是广告主最关心的问题。

 

有了用户画像和精细化运营的技术和手段，我们可以进行精准化的广告投放。如果广告主的广告是针对某个特定人群的(比如家庭妇女)，那么就可以通过用户画像平台圈定这一波人，将广告投放给这批人。如果广告主的广告没有特别的人群属性，也一定会有其他标签属性，那么我们就可以从用户中圈定对这些标签属性感兴趣的用户并进行投放。精准广告投放节省了广告主的大笔无效开支，是广告的未来发展方向。

 

(4) 推荐召回策略

我们在《 》这篇文章中讲到，企业级推荐系统一般分为召回和排序两个阶段，召回的目的是从海量内容中找出几百上千个用户可能感兴趣的内容，在排序阶段对这些内容进一步打分排序，将用户最感兴趣的几十个推荐给用户。

 

有了用户画像平台，我们就可以用画像进行召回。在用户画像平台中，我们构建了用户对内容的偏好标签，那么我们可以基于每个用户的偏好标签，从内容库中找到具备这类标签的内容，这些内容就可以作为推荐的召回，给到排序框架进行精细化排序了。感兴趣的读者可以看看《 》这篇文章第四节的1，里面有好多种怎么基于用户的偏好标签来进行召回的方法介绍，这里不赘述。

 

通过上面用户画像的介绍，我们知道通过构建用户画像平台，我们可以通过用户画像平台获得用户的兴趣标签，基于用户的兴趣化标签我们就可以进行各种业务的精细化运营了。因此可以说，用户画像是精细化运营的重要工具。

推荐系统与精细化运营

在前面几节我们介绍了数据化运营、精细化运营与用户画像相关的知识，我们对数据和算法在数据化运营和精细化运营中的价值有了初步的了解。这一节我们来介绍一下推荐系统与精细化运营之间的关系。

 

推荐系统是机器学习中的一个子领域，它基于用户在物品上的行为，挖掘出用户的兴趣标签，再基于用户偏好为用户自动化推荐感兴趣的内容。通过上一节的介绍我们知道了基于用户画像可以进行推荐的召回，同时用户画像也是进行精细化运营的工具。从本质上讲，推荐系统就是一种精细化运营方法和工具，是精细化运营的一种具体实现。下面我们从几个维度来说明推荐系统与精细化运营之间的区别与联系。读者也可以看看参考文献4中关于推荐系统与精准化运营的介绍。

 

1. 推荐系统是精细化运营的最高级形式

运营从最早的靠运营人员的专业知识和经验进行拍脑袋运营，到利用数据进行决策的数据化运营，再到对用户进行精细化分组的精细化运营，这些过程都需要人工来干预。最理想的状态是整个运营过程完全自动化，由机器来完成，这是运营的最高境界。推荐系统是完全由机器学习来驱动的，不需要人工干预，因此可以说是精细化运营的最高级形式。运营发展的四个阶段，推荐系统在最高级的第四阶段。

2. 推荐系统与精细化运营的区别与联系

上面提到了推荐系统是精细化运营的高级形式，那么推荐系统与精细化运营有什么区别和联系呢？本小节我们从4个方面来说明两者之间的关系。

(1) 两者的粒度不一样

精细化运营是圈定一组兴趣相似的用户，给这一批用户进行有针对性性的运营，这一批用户可多可少，这要根据具体的标签选择才能确定，如果选择更多的标签，需要用户满足更多的特性，最终选择出的用户规模就会更小。反之，如果标签少，那么选择的用户规模会更大。当然，每个标签能够圈定的用户数量也不一样，热门的标签圈定的用户多，而冷门的标签圈定的用户少。

 

一般个性化推荐的粒度更细，个性化推荐是为每个用户推荐不一样的标的物，粒度已经细化到了每个用户，而精细化运营是一组用户(一般远大于1个)。从时间维度来说，精细化运营圈定人需要靠人工操作，人工做一次运营是需要一定时间的，做一次精细化运营，时间周期一般是以小时为单位，而个性化推荐的粒度可以细化到同一个人在不同时段推荐不一样的物品，甚至可以细化到秒级(信息流推荐)，每间隔几秒就给用户推荐不一样的内容。

 

推荐系统有一种范式是群组个性化推荐，该推荐范式将兴趣相似的人划分到一个组中，再对该组进行无差别的推荐。这种推荐范式就跟精细化运营的粒度差不多了。

 

(2) 推荐系统面对的是用户，而精细化运营运营的不仅仅是用户

推荐系统面对的是用户，为用户推荐可能感兴趣的标的物。精细化运营可以运营用户，还可以是运营内容，运营活动等等。精细化运营的面更宽。

 

(3) 精细化运营基于人工操作，而推荐系统是完全自动化的

精细化运营的任何一次决策都需要人工参与，人工选择运营策略，人工圈定用户，人工对不同用户进行差异化运营(会借助一些自动化辅助工具)。而推荐系统当推荐算法部署后就不需要人工参与了，机器可以按照事先制定的规则(即算法)完全自动化地给用户进行推荐，不需要任何人工干预。

 

(4) 推荐系统需要整合人工的运营策略，并且具备人工干预的能力

虽说推荐系统原则上是不需要人工干预的，但是有些时候(比如特殊事件发生时，或者有专门的内容需要运营时)是需要人工对推荐算法的结果进行调整的。推荐系统是一个复杂的系统工程，需要在精准度、多样性、惊喜度等多个目标中做到平衡，因此有些时候是需要加入人工策略的，更好地做到各种目标和利益的平衡，这些人工策略可以整合到算法中，成为算法的一部分。另一方面，在特殊情况下需要对推荐结果进行干预，比如置顶某些重要内容。

 

通过上面的介绍，我们知道精细化运营和推荐系统是紧密相关的，他们都需要利用数据分析和机器学习算法来做到更好，其中用户画像可以作为它们共同的能力基础，它们都可以获得部分程度的个性化，更好地满足用户差异化的需求。

 

3. 利用推荐系统的思路来进行精细化运营的方法

推荐系统相比精细化运营，最大的两个优势是：粒度更加细化、完全自动化无人干预。如果能够将推荐系统的思路运用到精细化运营中，肯定可以产生意想不到的效果。这个方向也确实是可行的，很多公司已经做过尝试并且效果还非常好，下面我们选择几个方面进行简单介绍。

(1) 限定主题下的个性化运营

目前淘宝首页已经完全做到了个性化。在下面图11中红色圈定的部分，也做到了限定主题下的个性化，并且是近实时个性化。虽然大的主题还是聚划算、淘宝直播、百亿补贴、有好货、淘抢购、天天特卖、每日好店这7大块，但是不同用户、同一个用户不同时间段在这一区域展示的内容都是不一样的。

 

图11就是左边就是作者第一次登录时展示的推荐，这个可能是根据我以前的购买历史推荐的，当我浏览了女装和鞋子后，再次进入淘宝首页，展示的内容就是下图右边的，可以看到，已经给我推荐了很多女装和鞋子相关的物品图片。

 

在没有引入个性化之前，我相信淘宝这块一定是运营人工编排的，这个没法做到千人千面，只有引入了推荐的思路和方法后才能做到图中这样的全自动化的精细化运营。

              图11：淘宝首页限定主题下的个性化

(2) 运营活动、文案、运营海报等视觉元素的个性化

去年阿里妈妈公布了旗下AI智能文案在展示多样性上的成果，将商品文案推向了“千人千面”的方向，体现的正是推荐的思路在文案上的运用。

 

所谓文案“多样性”，指的是在文案生成时根据商品多元的属性，差异化地提供更多的选择和结果。举例来说，一件T恤可以有多个关键词，而每个消费者关注的关键词并不是一样的，有的关注领型，有的关注图案，也有人会关注版型等其它维度。因此，商家可以单就商品属性关键词“圆领”或者“印花”来单独生成差异化的文案。

 

为实现这样的多样性，阿里妈妈AI智能文案设计了一套“What+Why”的文案生成逻辑，即将一整个卖点文案分成两段生成。前半句是What，采用的是商品关键词造句的方式，主要说清楚商品或功能是什么；后半句是Why，根据前半句进行推理式表述，主要说明上述商品或功能好在哪里。两句都可以根据各自的逻辑生成大量的文案，最终的结果就是生产出了大量关注点不同的个性化文案。商家通过AI智能文案生成不同阶段、针对不同消费者的文案，极大地提升了运营效率。

 

不光文案可以自动生成、海报图也可以，爱奇艺在这方面有尝试。这也是个性化推荐思路和相关技术在精细化运营中的体现。感兴趣的读者可以看看参考文献5、6进行更深入的了解。

 

(3) 拉新、促活、留存、变现、传播过程的个性化

我们在第一节讲到用户的生命周期包括拉新、促活、留存、变现和传播等5个阶段，这些阶段都是需要进行运营的，如果可以利用好个性化技术，是可以获得事半功倍的效果的。

 

这里我只简单举一个例子，大家知道的大数据杀熟(这里我不评判这种做法是否道德，但确实很大公司就是这样做的，比如前几年闹得沸沸扬扬的国内某旅游公司)就是变现过程的个性化，系统根据不同用户对价格的敏感度不一样，对同一件商品给不同的人提供不同的价格，从而让企业获得更多的商业利润。

 

4. 利用推荐系统的思路来进行精细化运营面临的困境

在3中我们讲到了利用推荐系统的个性化思路来做运营的诸多好处，那么是不是每个公司都可以这样做呢？其实能够很好地做到的公司是很少的，这里有太多的不确定性和困难，下面简单列举一二。

(1)  没有足够多的数据，无法训练高质量的个性化模型

推荐系统毕竟是基于大数据的分析，如果你不具备生产大量数据的条件或者暂时没有收集到足够多的用户行为数据，就很难做到在不同的运营、产品或者设计领域去运用推荐系统的能力。 就拿前面的大数据杀熟来说，系统需要有足够多的用户行为数据才可以获得用户对价格波动的应激反应行为，否则贸然使用只会适得其反。

(2) 推荐系统本身是一个复杂工程，需要一定的技术门槛，成本也相对较高

推荐系统本身是一个复杂的系统工程，要想使用好必须在人力、软硬件等方面有所积累，也需要实践经验，用好个性化推荐不是一蹴而就的。有可能简单的策略性方法可以搞定80%的问题，因此也需要评估使用的成本。

(3) 对于除推荐算法外的AI技术也会有比较高的要求

前面提到的个性化文案就需要利用NLP及深度学习技术来自动化生产个性化文案，个性化海报图也需要基于图像和深度学习技术，这也是一个比较高的门槛。

 

 

从上面的介绍，我们可以看到，推荐系统是精细化运营的一种高阶形式，它们在很多地方有相似点，我们可以将个性化推荐的思路和方法运用到精细化运营中，减少人力成本，提升运营效率，最终产生更大的商业价值。

总结

本篇文章我们讲解了运营的基本概念，在流量红利消失的当下，数据化运营和精细化运营是公司成功的法宝，企业运营进入了数据化运营与精细化运营时代。

 

我们对数据化运营和精细化运营的概念、特色、方法、价值等进行了比较详细的介绍。其中基于用户行为，利用数据分析和机器学习算法构建的用户画像是精细化运营的有力武器。推荐系统可以看成是精细化运营在用户运营这一场景下的最高级形态，它完全做到了全天候、无人干预、自动化地为每个用户在每一个特定时间点进行完全个性化的内容推荐。

 

通过这篇文章的讲解，期望读者可以更好地领悟数据分析在企业运营中的价值，更好地理解精细化运营与推荐系统之间的差别和联系。在企业实际运营中，推荐系统和精细化运营都有不可替代的作用，我们需要将两者结合起来，让机器和人工达到完美的配合，发挥各自的优点，更好地服务于用户，通过给用户提供更好地产品体验，实现企业的商业目标！

参考文献

1. 《运营之光》黄有璨

2. 《首席增长官》张梦溪

3. 《增长黑客: 如何低成本实现爆发式成长》[美] 肖恩·埃利斯（SeanEllis）

4. 糗事百科李威：如何基于数据构建推荐系统，助力精细化运营？https://zhuanlan.zhihu.com/p/97115020

5.  

6.

【end】

◆

精彩推荐

◆

在这次疫情防控中，无感人体测温系统发挥了怎样的作用？它的技术原理是什么？无感人体测温系统的应用场景中有哪些关键技术与落地困难？高精准的无感人体测温系统的核心技术武器是什么？对于开发者们来说，大家应该了解哪些技术？

本周四晚八点 ，澎思科技智能安防行业解决方案副总监带来的直播《疫情防控天网： 云端边下的全栈AI技术与应用》 。 扫描二维码或者点击阅读原文即刻报名 。

推荐阅读

你点的每个“在看”，我都认真当成了AI