數據化運營:算法模型可以取代業務經驗嗎?
編輯導語:精細化運營是每個企業目前都在做的事情,希望通過數據價值的挖掘和利用,實現降本增效。最近CDP平臺增加了很多算法挖掘的標簽,基于算法圈選的目標人群轉化效果要比運營基于經驗并且人工圈選效果好。這是不是意味著:基于算法的智能運營可以取代基于經驗的業務規則運營呢?本文針對這一點進行了一些思考與總結,一起來看下。
精細化運營幾乎是當下每個企業都在做的事情,希望利用數據價值的挖掘和利用,提升運營的ROI,降本提效。
用戶分層運營的方式一是基于運營的業務經驗,將運營場景抽象成標簽規則進行人群圈選和觸達營銷,另一個就是利用算法模型進行人貨場的智能匹配。這兩種運營方式各有什么優劣勢呢?
最近CDP平臺新增了很多算法挖掘的標簽,擴展了基于算法模型直接輸出目標人群的場景,通過AB對比,算法圈選的目標人群的轉化效果要好于運營基于經驗、規則人工圈選的效果。
有同學不禁問道,既然基于算法的運營過程不需要運營介入,省去人工圈選的動作,可以輸出更精準的人群,轉化效果更好,那是不是基于算法的智能運營可以取代基于經驗的業務規則運營呢?
針對這個問題,個人的思考總結分享給大家。
一、基于業務經驗的規則運營
規則運營是指將業務精細化運營的場景需求,抽象成目標用戶篩選的標簽條件,利用CDP(或DMP)等精準營銷平臺或者數據開發數據加工進行用戶圈選、營銷觸達。
舉一個例子,我們都知道付費會員相比較一般用戶復購概率、消費頻次、平臺忠誠度要相對較高(游戲人民幣玩家和免費玩家的區別),各家電商平臺都在建設自己的付費會員體系,如京東的Plus會員、攜程的超級會員等。
會員運營的同學希望找到潛在的付費會員用戶,進行開卡優惠的促銷活動。所有用戶都進行營銷觸達的粗放式運營的時代已經過去了,廣撒網的弊端一是促銷成本的投入,二是對用戶過度打擾影響用戶體驗。
精準營銷思想下,按照業務經驗,認為目前下單頻次較高、消費能力強,并且對品牌有一定認可程度的近期活躍用戶更有可能轉化付費會員。于是,該場景拆分成多個用戶篩選的條件,例如品牌認可度可以利用有過分享行為來量化。
從上述案例可以看出,規則運營,需要具備良好的業務經驗和一定的數據思維才能將目標用戶識別條件標簽化,主要特點如下:
優點:
- 行動敏捷,明確運營場景以及人群圈選條件后,可以快速進行人群輸出,是CDP平臺運營可以自助圈選,單個場景1小時以內搞定,即使依賴于數據開發,周期也基本上可以控制在1周以內。
- 可解釋性高,人群都是基于經驗按既定條件篩選出來,過程策略的動態調整、后期運營效果的分析,運營規則的都比較容易理解,可解釋性強。
- 實現成本低,按照規則的圈選或數據清洗,運營+平臺工具或運營+數據開發需要人力成本以及計算成本都比算法模型要低很多。
缺點:
- 規則固定,一旦圈選條件確定后,用戶群體就固定了,無法再根據用戶實際的反饋進行規則的動態調整,例如給進站用戶進行優惠紅包的彈窗,但有些用戶非常反感這種阻礙他更快下單的內容,但是規則運營也沒法針對此類用戶進行過濾。
- 人群條件相對有限,基于經驗抽象出來的規則一般不會太多,3~10個特征居多,分層的精細化程度一般。
二、基于算法模型的智能化運營
基于算法模型的精細化運營,主要是指利用各種機器學習的算法,對用戶進行聚類或行為預測,進行人貨場的精準匹配。最典型的例子是產品的千人千面的個性化推薦。
利用用戶的畫像信息、實時瀏覽行為數據等更多的特征維度,進行模型的訓練,讓模型具備學習的能力,當有新的用戶訪問產品時,可以預測用戶偏好的產品。
機器學習的本質是讓機器具備人一樣的自學習能力。仍以高潛付費會員運營為例,智能化運營的流程是,需要先找到購買付費用戶的特征,或者把業務經驗標簽維度作為模型的特征集,進行模型的訓練。最終輸出目標付費用戶人群。
基于算法的智能化運營的特點如下:
優點:
- 模型上線后,可基于自訓練的能力,針對每個用戶進行實時的行為預測,相比于規則的圈選,適用性更強。
- 基于模算法模型的人群圈選可以覆蓋更多特征維度,用戶分層能力更多樣化、精細化。轉化效果可能高于業務經驗版本(也有效果不好的算法)
- 模型可以直接輸出目標人群或人貨場匹配的API接口,運營需要參與的工作大幅減少。甚至運營人員可以做甩手掌柜的,只關注最終的轉化效果,無需關注用什么條件圈選哪些用戶,用什么觸達方式進行推送。
缺點:
- 算法服務的開發成本高,一個算法類的標簽或API服務算法工程師、接口開發工程配合,人力投入成本高。
- 算法模型的開發需要數據清洗、特征開發、模型訓練調優、模型部署、在線推理多個流程,開發周期長。
- 模型很難通用,CaseByCase的場景居多,例如價格敏感性用戶和高潛付費用戶用到的就是不同的算法模型。
- 需要解決冷啟動問題,新功能上線或新的業務場景缺少歷史數據支撐時,算法模型的準確度不高。
- 可解釋性差,業務只知道當前的用戶是命中了算法模型的,但到底為什么,哪個維度是主要影響因素,很難從算法幾十個甚至上百個特征里面去得到比較清晰的解釋的。
三、規則運營VS算法模型
從以上關于兩種運營方式的概念以及優缺點可以看出,算法模型是無法完全取代業務經驗的輸入的。主要的原因包括:
缺少業務經驗輸入的模型很難得到理想效果,過去做個一個火車票無票場景推薦機票、汽車票等聯程方案的算法服務,在人工和算法版本持續AB的過程中,運營的人工方案則重點考慮中轉站大小、以及當地用戶的車站偏好、到達時間是白天還是黑夜等維度,進行排序干預。
算法模型雖然考慮中轉的時長、價格等幾十個特征對聯乘方案進行排序,比如時長短、價格低的方案靠前,但分析發現算法推薦的結果轉化率始終無法超越人工版本。運營的經驗更多了考慮“人性”,在算法沒有把業務經驗作為模型的信息輸入時,轉化效果是很難超越人工版本的。
算法模型的人力開發成本、所需要的存儲以及GPU計算成本遠高于人工運營,對于一些可明確業務規則的場景,比如體驗受損(投訴)用戶的安撫、生日用戶的關懷等場景,規則運營更方便和高效,殺雞焉用牛刀。
針對冷啟動的場景,依然需要運營規則的兜底方案,隨著數據的不斷積累,算法模型才能更好地發揮價值。
既然算法模型無法取代規則運營,現在強調數智化運營,這兩者如何才能取長補短,相得益彰呢?
單一運營策略、業務流程運營、實時觸景營銷,經驗為主,算法為輔。
例如,當用戶瀏覽多個商品,都沒有下單時,通過彈窗紅包優惠券刺激用戶下單,是比較容易將場景抽象成標簽的,通過設定標簽規則來圈選出符合條件的用戶,命中了則觸發營銷策略。
此外,也可以配合使用一些算法挖掘類的標簽,如價格敏感度(推薦紅包金額),在做更進一步的差異化運營。
用戶偏好類、行為預測類,運營策略多樣化場景,算法為主,經驗為輔。
人民網曾經發文講到“有用戶不勝廣告彈屏的干擾,無法安心買票”。這里面反映的問題就是對用戶偏好信息的挖掘。運營經驗更多的是只要符合其條件的用戶就出發紅包彈屏,經驗沒法做到對每個用戶的差別對待。
算法模型,則可以預測每個用戶對不同營銷手段的接受程度,有些用戶每次看到彈屏都會關閉,但是更喜歡短信的觸達方式。
因此,對于多種策略、或多個產品候選集時,基于算法模型的運營轉化效果、用戶體驗會更好一些。
四、小結
數智化運營是趨勢,但是要以具體的業務場景出發去選擇,不能一味追求高大上的算法模型,而忽略業務經驗的輸入?;跇I務經驗的規則運營和基于算法模型的智能化運營要充分結合,才能取長補短,相互成就。
#專欄作家#
數據干飯人,微信號公眾號:數據干飯人,人人都是產品經理專欄作家。專注數據中臺產品領域,覆蓋開發套件,數據資產與數據治理,BI與數據可視化,精準營銷平臺等數據產品。擅長大數據解決方案規劃與產品方案設計。
本文原創發布于人人都是產品經理,未經作者許可,禁止轉載。
題圖來自Unsplash,基于CC0協議
專欄作家
數據干飯人,微信號公眾號:數據干飯人,人人都是產品經理專欄作家。專注數據中臺產品領域,覆蓋開發套件,數據資產與數據治理,BI與數據可視化,精準營銷平臺等數據產品。擅長大數據解決方案規劃與產品方案設計。
本文原創發布于人人都是產品經理,未經作者許可,禁止轉載。
題圖來自Unsplash,基于CC0協議。
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!