起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識隨著算法的發展，未來運營的技能和運營重點會有哪些變化？
運營朝著智能化、自動化的方向發展，作為運營人也要跟隨時代的發展在方法論上做到與時俱進。
估計現在被大家提起的新事物都是一些與技術相關的事物，畢竟他們都能真真切切地改變我們的生活、學習、工作的習慣。當你今天在淘寶京東瀏覽過手機商城時，明天你的瀏覽器、手機推送都是關于買手機的消息。當你今天從某地到某地時，第二天手機就能知道你距離某個地方多遠，以及告訴你需要多久可以到達某地。當你今天瀏覽完今日頭條的某條娛樂新聞，明天你就能最先知道哪個明星又離婚出軌了。
這都是技術在發展，時代在進步，而洞察你的一切，正是背后的大數據通過分析得出你全部行為。而背后的操縱者（運營）也是通過這些數據，精準得知關于你的一切。推薦你喜歡，以及不知道的一切事物。
作為運營人，我們的工作重點也在慢慢發生變化，能力要求也在時刻更新著。
算法推薦如何工作
推薦算法在不同類型的互聯網公司中廣泛應用，也從側面印證了推薦算法對于實際業務具有極強的推動能力。你在網購時看見的“您可能感興趣的商品”、聽音樂時遇到的“您可能喜歡的歌曲”、刷微博時被推薦的關注對象、獲取資訊時被推薦的頁面，這一切的背后都正是推薦算法在起作用。
當你在線上的瀏覽行為，都已經被背后的算法系統記錄下來，并且時刻在背后分析著，當你第二次瀏覽同樣一個網站時，你所喜歡，所關聯的都會被推薦在你的眼前。
算法的分類
分類算法：
我們做電商平臺，用戶留存是很重要的一部分，但顧客流失走向我們是無法控制的，只能通過預測，這時就需要運用到分類模型。分類算法屬于預測性模型，根據過去數據、分析來預測將來一段時間的行為過程。分類學習方法所使用的數據集稱為訓練集，訓練集中每一個個體都有明確的類別，通過訓練集中的數據表現出來的特征，為每一個類找到一種準確的描述或者模型。其優點是容易理解、預測準確度高
舉個例子：高爾夫球場，這個跟天氣情況關系密切，因為前期的數據分析，得出天氣是否晴朗，氣溫如何，濕度如何、風力如何都會影響到打高爾夫球場的人，因此，作為一個高爾夫球場的運營人員便可以根據分類模型，去構建決策樹，不同的天氣因素，決定是否開放等。
聚類算法：
說完分類算法，談談聚類，聚類算法主要是按照樣本、數據自身的屬性去歸類，用數學方法根據相似性或差異性指標，定量確定樣本親疏關系。
舉個例子：電商公司想要新進一批高端服裝，但究竟進什么款式等，這需要根據消費群體特征來分類，首先需要從上一年的數據，查看顧客購買行為、消費額、購買時間等通過聚類方法進行分類，找出每類群體的特征，然后根據這類群體進行相應的推送，而不是廣撒網模式。
關聯算法：
關聯分析是從大量數據中發現樣本之間有趣的關聯和關系，從而為用戶推送。而我們常見的電商平臺，“為你推薦”、“購買該產品的用戶還購買了”等都屬于關聯分析，其依據就是通過分析之前購買產品的顧客的購物籃分析，分析顧客的購買習慣，可以幫助零售商制定營銷策略。
推薦的本質
推薦和搜索本質有相似的地方。搜索滿足用戶從海量數據中迅速找到自己感興趣內容的需求，屬于用戶主動獲取。推薦則是系統從海量數據中根據獲取到的用戶數據，猜測用戶感興趣的內容并推薦給用戶，屬于系統推薦給用戶。本質上都是為了在這個信息過載的時代，幫助用戶找到自己感興趣的東西。
算法推薦在產品運營的運用
在電商網站里進行商品推薦，可以提高整個網站商品銷售的有效轉化率，增加商品銷量。通過用戶已經瀏覽、收藏、購買的記錄，更精準的理解用戶需求，對用戶進行聚類、打標簽，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時放大需求，售賣更加多樣化的商品。甚至在站外推廣時，能夠做個性化營銷。商品推薦主要可以分為常規推薦、個性化推薦。
常規推薦是指商家選擇一些固定商品放在推薦位，或者基于商品之間的關聯性，進行相關的商品推薦。常規推薦的商品不會因為用戶不同產生差異，主要是運營配置的活動或固定商品（商品精選）。所以一般來說，常規推薦是比較固定的，但是它對于整個頁面的商品流通，關聯等意義是非常大的，基本上來說，常規推薦可以為商品帶來非常大的二次曝光，從而提高轉化率。
個性化推薦指基于用戶購物習慣，根據商品特性來進行推薦。例如“看過此商品后的顧客還購買的其他商品”推薦項。比如在我寫這篇文章的時候，我在天貓隨機搜索了一下小米手機，然后在不到10分鐘，系統就給我推薦了圖中的“今日優選”，這個優選里面包括都是小米的系列品牌手機。所以這個是算法處理速度是如此驚人，那么他們都是怎么進行工作的呢？
電商推薦系統將收集的用戶信息、產品信息及用戶畫像分類作為系統輸入，利用適當的推薦算法和推薦方式，根據用戶設定的個性化程度和信息發送方式，給用戶提供個性化商品推薦。用戶對推薦結果的點擊瀏覽、購買的反饋結果，又可以作為優化系統推薦的參考。
完善的推薦系統一般由四部分組成，按照收集 → 分析 → 推薦的步驟，收集用戶信息的用戶行為記錄模塊、分析用戶喜好的分析模型模塊、分析商品特征的商品分析模塊和推薦算法模塊。
比如你的瀏覽、購買、評論、問答等就是被收集在用戶行為記錄模塊上，然后系統分析用戶的喜好，最好分析你瀏覽過的商品周邊，比如相似的、能夠搭配等給你推薦。
然后看完電商運營的算法推薦，我們再來看看內容運營的算法推薦，這里以今日頭條的算法推薦作為案例分析。
頭條號的文章審核，是以機器審核為主，人工審核為輔，而且針對敏感、低俗、低質的文章，也是能夠被機器檢測到的，并且被機器算法攔截，這是頭條號特有的審核機制。只有制作規范的標題，提供優質原創的文章，抵制不良推廣信息，才有可能被審核通過。
而在推薦的時候，今日頭條在抓取內容后，它首先會根據你之前的發文史和內容的關鍵字嘗試著推薦給一批試用用戶，這些用戶看到內容后會有以下幾個動作：
- 不理睬：用戶看見標題和封面就不想點進去看。如果閱讀量并不好，機器會減少推薦量，比如之前推薦給了 100 人，那么之后它只會推薦給 50 個人。
- 點了不喜歡：用戶點進去看了內容，后來發現內容并不是他想要的，他就會果斷點不喜歡。如果點不喜歡的人數比較多，機器會減少推薦甚至停止推薦。
- 點了贊、收藏或者分享：用戶覺得你的內容很好，就會對你的內容做出了正面回應。對于正面的數據，機器會加大力度推薦，讓你的內容被更多的人看到。
其原理也是通過個性化推薦，當用戶喜歡這類內容，通過點贊、收藏、評論的行為去判斷你的喜好程度，然后在擴大推薦。
自動化、智能化的運營賦予運營人新的使命
在大數據的背景下，現在的運營方法論也是要借著機器算法使運營效率提高，這是行業普遍共識，而對于我們的工作重點和能力要求也是提出了新的高度。
在工作重點上：
我們需要以數據決策為重。可以說，沒有數據，就沒有運營。那個屁股決定腦袋的時候已經過去，想要獲取更多的新用戶，你只要借助數據分析，分析你的目標人群在哪里扎堆，他們平時都喜歡什么？他們的行為路徑是怎么樣的？你才能夠去做正確的事。
以用戶為中心，流量紅利已經過去，現在獲取一個用戶已經達到成本的最高峰，野蠻投放的時代也已經過去，只有洞察用戶內心，知道用戶喜歡什么，不喜歡什么，你所做的一切都可能像是一個保姆的行為。把飯喂到用戶的嘴邊，把水端到用戶眼前，用戶才會圍繞你轉。
數據來源于用戶，而作用于用戶，這是一個閉環。沒有用戶，你的數據獲取也就無從談起，所以你要做好的就是獲取用戶行為，分析用戶行為，迭代產品，不斷地向用戶提供最好的產品服務。
能力新要求
不會做數據分析的運營不是好運營。有句話說得好，自己動手豐衣足食。不要總是依賴數據分析師給你做好數據分析放在你面前，你是離用戶最近的人，你不去分析用戶行為，誰去分析呢？
用戶洞察是一種能力，用戶的告訴你他想要去旅行，不一定是他的真實想法。表面現象往往都是最疑惑人的，你需要層層分析，多問幾個為什么，才能挖掘用戶最深層次的需求。
你是產品運營也是產品經理，你需要懂產品，也需要懂運營，因為產品和運營往往都是界限模糊，工作職責交叉進行的。所以為了能夠最大限度地提高效率，必備的產品思維必不可少。
精細化運營、智能化運營是時代趨勢，也是時代賦予運營人新的使命。
#專欄作家#
藝林小宇，微信公眾號：cs-jy8，人人都是產品經理專欄作家。股事匯APP運營負責人，獨立媒體人，喜歡用白話文講述移動互聯網時事熱點，專注于產品運營、策劃、BD合作等領域。
本文原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自 unsplash，基于 CC0 協議
- 目前還沒評論，等你發揮！
