嘉賓 | 楊洋

撰稿 | 黃顯東

8月6日-7日，??AISummit 全球人工智能技術(shù)大會(huì)??成功舉辦。本屆大會(huì)以“驅(qū)動(dòng)?創(chuàng)新?數(shù)智”為主題，覆蓋“計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、算法與模型、推薦系統(tǒng)、機(jī)器學(xué)習(xí)、智慧金融”等技術(shù)領(lǐng)域。

在《機(jī)器學(xué)習(xí)性能優(yōu)化之路》專(zhuān)場(chǎng)中，滴滴首席工程師楊洋通過(guò)《個(gè)性化推薦在數(shù)據(jù)運(yùn)營(yíng)中的創(chuàng)新應(yīng)用》的主題分享，為開(kāi)發(fā)者分享了機(jī)器學(xué)習(xí)在數(shù)據(jù)運(yùn)營(yíng)中的探索應(yīng)用。

數(shù)據(jù)運(yùn)營(yíng)的價(jià)值與挑戰(zhàn)

數(shù)據(jù)運(yùn)營(yíng)離不開(kāi)數(shù)據(jù)體系。在理想的數(shù)據(jù)體系全景中，預(yù)期的主要看數(shù)方式包括數(shù)據(jù)產(chǎn)品、數(shù)據(jù)服務(wù)、數(shù)據(jù)倉(cāng)庫(kù)，以及基礎(chǔ)性的臨時(shí)需求。數(shù)據(jù)產(chǎn)品主要用來(lái)支持運(yùn)營(yíng)等非技術(shù)人員的看數(shù)需求；數(shù)據(jù)服務(wù)是通過(guò)API的方式對(duì)接各種各樣的業(yè)務(wù)系統(tǒng)；數(shù)據(jù)倉(cāng)庫(kù)是通過(guò)資產(chǎn)化方式，對(duì)有一定技術(shù)能力的人員提供SQL的取數(shù)方式。

完整的看數(shù)過(guò)程中，數(shù)據(jù)運(yùn)營(yíng)是貫穿始終的，一方面可以充當(dāng)溝通渠道，對(duì)內(nèi)指導(dǎo)數(shù)據(jù)建設(shè)；另一方面可以告知用戶(hù)我們擁有的數(shù)據(jù)內(nèi)容，持續(xù)向用戶(hù)進(jìn)行培訓(xùn)和宣貫。

在理想的情況下，通過(guò)產(chǎn)品化的方式來(lái)滿(mǎn)足大多數(shù)的看數(shù)需求，這樣便可以將整體的研發(fā)人力從臨時(shí)需求中解救出來(lái)，投入到資產(chǎn)化的工作當(dāng)中，從而持續(xù)提升數(shù)據(jù)指標(biāo)。

不過(guò)，理想和現(xiàn)實(shí)總是有差距的。在日常工作中，總會(huì)遇到各種各樣的數(shù)據(jù)易用性問(wèn)題或者數(shù)據(jù)一致性問(wèn)題。這些問(wèn)題的背后也是整個(gè)數(shù)據(jù)體系的熵增定律，任何體系的架構(gòu)，它在孤立無(wú)外力的情況下，都會(huì)隨著時(shí)間的推移逐步腐壞。

同時(shí)，在產(chǎn)業(yè)互聯(lián)網(wǎng)的發(fā)展階段也為數(shù)據(jù)運(yùn)營(yíng)帶來(lái)一些新的挑戰(zhàn)。從生產(chǎn)視角上看，多數(shù)業(yè)務(wù)場(chǎng)景正處于線上化探索期的產(chǎn)業(yè)互聯(lián)網(wǎng)會(huì)導(dǎo)致數(shù)據(jù)迭代頻繁。從消費(fèi)視角來(lái)看，產(chǎn)業(yè)互聯(lián)網(wǎng)的整個(gè)組織架構(gòu)也更復(fù)雜多元。這兩個(gè)視角都會(huì)造成多樣化和個(gè)性化的看數(shù)視角。

此外，傳統(tǒng)的數(shù)據(jù)運(yùn)營(yíng)推廣和培訓(xùn)的方式，也面臨時(shí)效性差、延續(xù)性差和針對(duì)性不足的痛點(diǎn)，這些都會(huì)對(duì)運(yùn)營(yíng)效果產(chǎn)生影響。

個(gè)性化推薦的探索落地

那如何基于個(gè)性化推薦技術(shù)來(lái)解決數(shù)據(jù)運(yùn)營(yíng)的挑戰(zhàn)和痛點(diǎn)呢？

要解決這些問(wèn)題，首先要對(duì)數(shù)據(jù)運(yùn)營(yíng)的目標(biāo)場(chǎng)景做一個(gè)特點(diǎn)分析。典型的數(shù)據(jù)運(yùn)營(yíng)場(chǎng)景可以分成三大類(lèi)：第一類(lèi)是用戶(hù)冷啟動(dòng)場(chǎng)景，占比大概為20%，例如新人入職、業(yè)務(wù)變化、組織調(diào)整等；第二類(lèi)是內(nèi)容冷啟動(dòng)場(chǎng)景，占比60%，例如數(shù)據(jù)線上化或者分析功能迭代；然后通過(guò)數(shù)據(jù)運(yùn)營(yíng)的手段觸達(dá)用戶(hù)；第三類(lèi)場(chǎng)景是常態(tài)化的運(yùn)營(yíng)場(chǎng)景，通過(guò)常態(tài)化的運(yùn)營(yíng)手段，持續(xù)提升業(yè)務(wù)的數(shù)據(jù)化運(yùn)營(yíng)程度，以及實(shí)現(xiàn)一些運(yùn)營(yíng)經(jīng)驗(yàn)的復(fù)用。

通過(guò)目標(biāo)場(chǎng)景的特點(diǎn)分析，可以得出一些典型的特點(diǎn)。從內(nèi)容方面上來(lái)看，數(shù)據(jù)內(nèi)容推薦可以使用OneDate的指標(biāo)體系，實(shí)現(xiàn)更高程度的規(guī)范性和結(jié)構(gòu)化。從推薦用戶(hù)的角度來(lái)看，數(shù)據(jù)內(nèi)容推薦可以針對(duì)性的獲取企業(yè)內(nèi)部用戶(hù)比較規(guī)范完整的組織架構(gòu)信息。從推薦目標(biāo)上來(lái)看，數(shù)據(jù)內(nèi)容推薦更加關(guān)注準(zhǔn)確性，同時(shí)消費(fèi)成本也更高。

基于以上分析，可以構(gòu)建出數(shù)據(jù)內(nèi)容推薦算法的設(shè)計(jì)思路。對(duì)于用戶(hù)冷啟動(dòng)場(chǎng)景可以使用組織架構(gòu)的熱度信息，構(gòu)建一個(gè)的推薦的策略；對(duì)與內(nèi)容冷啟動(dòng)場(chǎng)景可以基于OneDate+指標(biāo)血緣的content-based推薦，對(duì)內(nèi)容和用戶(hù)實(shí)現(xiàn)精準(zhǔn)的雙向匹配。對(duì)于常態(tài)化的推薦可以基于用戶(hù)行為策略+業(yè)務(wù)階段方向，實(shí)現(xiàn)高可控和高可解釋性的推薦策略 

有了初步的算法設(shè)計(jì)思路，可以基于此將一個(gè)全周期的數(shù)據(jù)運(yùn)營(yíng)系統(tǒng)落地。具體包括三方面：首先根據(jù)算法實(shí)現(xiàn)一個(gè)具備用戶(hù)生命周期策略和推薦策略的數(shù)據(jù)服務(wù)推薦引擎；其次是打通觸達(dá)渠道，對(duì)郵件、辦公軟件等實(shí)現(xiàn)智能觸達(dá)，并提供手動(dòng)觸達(dá)作為補(bǔ)充；最后是對(duì)前面的兩個(gè)能力做工具話(huà)和產(chǎn)品化的封裝，以服務(wù)更多的場(chǎng)景。

機(jī)器學(xué)習(xí)在數(shù)據(jù)運(yùn)營(yíng)領(lǐng)域的未來(lái)規(guī)劃和展望

未來(lái)，機(jī)器學(xué)習(xí)在數(shù)據(jù)運(yùn)營(yíng)領(lǐng)域也會(huì)有廣闊的發(fā)展空間。短期內(nèi)產(chǎn)生價(jià)值的可以基于業(yè)務(wù)線、主題等個(gè)性化搜索排序，進(jìn)行數(shù)據(jù)檢索工具的集成，可以更高效地幫助用戶(hù)找到數(shù)據(jù)。

基于數(shù)據(jù)推薦反向指導(dǎo)數(shù)據(jù)建設(shè)這個(gè)發(fā)展方向還需要進(jìn)一步探索。在數(shù)據(jù)建設(shè)的整體決策階段，可以預(yù)先使用推薦來(lái)預(yù)估潛在的用戶(hù)量和潛在的訪問(wèn)量，為數(shù)據(jù)建設(shè)提供相對(duì)數(shù)據(jù)化的量化參考。此外在內(nèi)容設(shè)計(jì)和可視化方面，也可以根據(jù)數(shù)據(jù)化的分析來(lái)提供更加科學(xué)和數(shù)據(jù)化決策指導(dǎo)。