每個企業都有許多的資料，但能否将資料轉化成商業價值，是企業非常關心的問題。阿裡巴巴曾自嘲是一家坐在資料的金礦上啃着饅頭的企業，前幾年集團積累了很多的資料，但這些資料并沒有真正應用起來，受限于幾個原因，比如大資料的技術架構還不成熟，營運團隊對資料應用的意識還不是很強，但今天，資料在阿裡巴巴的應用範圍已經越來越廣泛。
本文根據2018年雲栖大會杭州站移動研發平台EMAS專場上，阿裡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能營運體系搭建，主要分成三塊内容：第一，智能營運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在智能營運系統中的應用。
一、智能營運的使命和典型應用場景
衡量一個智能營運系統做得好不好，目标非常明确，就是看能不能幫企業實作資料的增長，因為增長是企業最核心的訴求。
要實作企業智能營運，首先要進行資料營運閉環的建設。傳統的BI，收集資料，給老闆産出報表，讓老闆做決策，但智能營運系統，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回報給我們的系統。經過幾輪疊代，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于平台上的使用者對我們的認可。EMAS的業務統計子產品可以承擔資料采集的工作，了解了使用者的行為，機器智能的作用就在于将使用者的行為資料轉換為企業的營運行動。
具體的流程可以分成這麼幾個部分：首先基于原始資料，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标，我們大體識别該使用者屬于什麼樣的類型；其次，我們做嘗試性推送，比如資訊或者産品，使用者根據我所推送的資訊或者産品，會有相應的點選行為，經過幾次互動，機器對該使用者的了解會加深。最後，經過使用者跟平台的多次互動後，企業配合相應的營運政策，比如促銷，轉化效果就會有比較明顯的提升，這是智能營運系統的基本流程。
我們對使用者的全生命周期了解，是從新客到老客以及老客幫你做傳播這一整個階段，時間周期還是比較長的。針對一個新使用者，你直接把希望他下單的資訊推送給他，效果往往不會特别好。是以必須要對使用者整個生命階段做一些細緻的分析。
智能營運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，源于使用者行為發生了很大的變化。無目的性，碎片化，随時随地。我們能否将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産品感興趣，需要企業對使用者要有非常深的了解和洞察。
第二，精準營銷。營銷活動前，分析所面向的人群，具體的定價政策，以及在這樣的定價政策下的銷量預測，這樣企業就可以預先知道KPI的完成情況。
第三，智能選品。前面講的更多的是，産品如何更多與使用者進行互動，智能選品适用的場景是我們對目标客群有認知，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，是阿裡做的比較好的案例。
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。個性化推薦在阿裡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态圖，如果用子頻道的資料跟使用者做個性化比對，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，工程實作。個性化推薦，傳統的實作方法，是截止某一個時間點給使用者計算一個推薦清單，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，相應的存儲成本也會随之增長，企業投入成本會很大。是以系統設計的時候需要考慮借助标簽的能力。另外，每個人對标簽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清單雖然貨品一樣，但是順序有差異。
第二，實時推薦。離線推薦主要是基于曆史資料，實時推薦是基于當天的資料，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，從算法角度來講，必須要做一個平衡，你是基于曆史推薦資料，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，羽絨服适合冬天穿，電子産品有新老款，判斷一個使用者從來都隻買新款，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次元。
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标來做優化，但這裡會有一個什麼問題呢？會産生很嚴重的馬太效應：第一，我的推薦依賴于我的曆史資料。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，這樣又産生了一條曆史資料，我發現效果确實很好，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，這跟人的實際特征是不比對。我們要在推薦系統裡擴充品類的寬度。第二，推什麼樣的産品轉化率最高？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産品的轉化要更高，導緻什麼結果？系統推薦的産品範圍也越來越窄，這是很嚴重的問題。就是說給使用者推薦的品類越來越窄，産品範圍越來越窄。是以在整個模型過程中，去嘗試推薦一些他可能原來曆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。是以轉化率很重要，但是發現性更重要，品類拓寬會讓你的業務體量越來越大，産品也一樣，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并沒有太大的幫助，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。
最後介紹一下阿裡巴巴實時推薦的系統架構，大概會分成這麼幾個部分，有EMAS資料統計子產品，采集資料，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産環境。生産環境，一般來說是存儲到圖資料庫，因為它是網狀結構，最後是一個非常簡單的API，可以簡單調用資料。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确、對使用者的洞察是否準确，我們要必須保證資料運作一段時間後，資料是整體往上漲的。
三、AB在智能營運中的應用
最後給大家講一下AB測試在智能營運中的應用。大家也知道今天算法的發展非常快，像前幾年深度學習很火，這幾年強化學習，一些新的算法發展很快，我們在模型疊代過程中需要應用新的算法。但一般來講，我們不一定能确認哪個算法的效果更好，我今天線上下做非常多的評測，但最後還是要到生産環境去做實驗。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。