数据化运营与分析(数据化运营：算法模型可以取代业务经验吗？)

数据化运营：算法模型可以取代业务经验吗？

编辑导语：精细化运营是每个企业目前都在做的事情，希望通过数据价值的挖掘和利用，实现降本增效。最近CDP平台增加了很多算法挖掘的标签，基于算法圈选的目标人群转化效果要比运营基于经验并且人工圈选效果好。这是不是意味着：基于算法的智能运营可以取代基于经验的业务规则运营呢？本文针对这一点进行了一些思考与总结，一起来看下。

精细化运营几乎是当下每个企业都在做的事情，希望利用数据价值的挖掘和利用，提升运营的ROI，降本提效。

用户分层运营的方式一是基于运营的业务经验，将运营场景抽象成标签规则进行人群圈选和触达营销，另一个就是利用算法模型进行人货场的智能匹配。这两种运营方式各有什么优劣势呢?

最近CDP平台新增了很多算法挖掘的标签，扩展了基于算法模型直接输出目标人群的场景，通过AB对比，算法圈选的目标人群的转化效果要好于运营基于经验、规则人工圈选的效果。

有同学不禁问道，既然基于算法的运营过程不需要运营介入，省去人工圈选的动作，可以输出更精准的人群，转化效果更好，那是不是基于算法的智能运营可以取代基于经验的业务规则运营呢？

针对这个问题，个人的思考总结分享给大家。

规则运营是指将业务精细化运营的场景需求，抽象成目标用户筛选的标签条件，利用CDP(或DMP)等精准营销平台或者数据开发数据加工进行用户圈选、营销触达。

举一个例子，我们都知道付费会员相比较一般用户复购概率、消费频次、平台忠诚度要相对较高(游戏人民币玩家和免费玩家的区别)，各家电商平台都在建设自己的付费会员体系，如京东的Plus会员、携程的超级会员等。

会员运营的同学希望找到潜在的付费会员用户，进行开卡优惠的促销活动。所有用户都进行营销触达的粗放式运营的时代已经过去了，广撒网的弊端一是促销成本的投入，二是对用户过度打扰影响用户体验。

精准营销思想下，按照业务经验，认为目前下单频次较高、消费能力强，并且对品牌有一定认可程度的近期活跃用户更有可能转化付费会员。于是，该场景拆分成多个用户筛选的条件，例如品牌认可度可以利用有过分享行为来量化。

从上述案例可以看出，规则运营，需要具备良好的业务经验和一定的数据思维才能将目标用户识别条件标签化，主要特点如下：

优点：

行动敏捷，明确运营场景以及人群圈选条件后，可以快速进行人群输出，是CDP平台运营可以自助圈选，单个场景1小时以内搞定，即使依赖于数据开发，周期也基本上可以控制在1周以内。可解释性高，人群都是基于经验按既定条件筛选出来，过程策略的动态调整、后期运营效果的分析，运营规则的都比较容易理解，可解释性强。实现成本低，按照规则的圈选或数据清洗，运营+平台工具或运营+数据开发需要人力成本以及计算成本都比算法模型要低很多。

缺点：

规则固定，一旦圈选条件确定后，用户群体就固定了，无法再根据用户实际的反馈进行规则的动态调整，例如给进站用户进行优惠红包的弹窗，但有些用户非常反感这种阻碍他更快下单的内容，但是规则运营也没法针对此类用户进行过滤。人群条件相对有限，基于经验抽象出来的规则一般不会太多，3~10个特征居多，分层的精细化程度一般。

基于算法模型的精细化运营，主要是指利用各种机器学习的算法，对用户进行聚类或行为预测，进行人货场的精准匹配。最典型的例子是产品的千人千面的个性化推荐。

利用用户的画像信息、实时浏览行为数据等更多的特征维度，进行模型的训练，让模型具备学习的能力，当有新的用户访问产品时，可以预测用户偏好的产品。

机器学习的本质是让机器具备人一样的自学习能力。仍以高潜付费会员运营为例，智能化运营的流程是，需要先找到购买付费用户的特征，或者把业务经验标签维度作为模型的特征集，进行模型的训练。最终输出目标付费用户人群。

基于算法的智能化运营的特点如下：

优点：

模型上线后，可基于自训练的能力，针对每个用户进行实时的行为预测，相比于规则的圈选，适用性更强。基于模算法模型的人群圈选可以覆盖更多特征维度，用户分层能力更多样化、精细化。转化效果可能高于业务经验版本(也有效果不好的算法)模型可以直接输出目标人群或人货场匹配的API接口，运营需要参与的工作大幅减少。甚至运营人员可以做甩手掌柜的，只关注最终的转化效果，无需关注用什么条件圈选哪些用户，用什么触达方式进行推送。

缺点：

算法服务的开发成本高，一个算法类的标签或API服务算法工程师、接口开发工程配合，人力投入成本高。算法模型的开发需要数据清洗、特征开发、模型训练调优、模型部署、在线推理多个流程，开发周期长。模型很难通用，CaseByCase的场景居多，例如价格敏感性用户和高潜付费用户用到的就是不同的算法模型。需要解决冷启动问题，新功能上线或新的业务场景缺少历史数据支撑时，算法模型的准确度不高。可解释性差，业务只知道当前的用户是命中了算法模型的，但到底为什么，哪个维度是主要影响因素，很难从算法几十个甚至上百个特征里面去得到比较清晰的解释的。

从以上关于两种运营方式的概念以及优缺点可以看出，算法模型是无法完全取代业务经验的输入的。主要的原因包括：

缺少业务经验输入的模型很难得到理想效果，过去做个一个火车票无票场景推荐机票、汽车票等联程方案的算法服务，在人工和算法版本持续AB的过程中，运营的人工方案则重点考虑中转站大小、以及当地用户的车站偏好、到达时间是白天还是黑夜等维度，进行排序干预。

算法模型虽然考虑中转的时长、价格等几十个特征对联乘方案进行排序，比如时长短、价格低的方案靠前，但分析发现算法推荐的结果转化率始终无法超越人工版本。运营的经验更多了考虑“人性”，在算法没有把业务经验作为模型的信息输入时，转化效果是很难超越人工版本的。

算法模型的人力开发成本、所需要的存储以及GPU计算成本远高于人工运营，对于一些可明确业务规则的场景，比如体验受损(投诉)用户的安抚、生日用户的关怀等场景，规则运营更方便和高效，杀鸡焉用牛刀。

针对冷启动的场景，依然需要运营规则的兜底方案，随着数据的不断积累，算法模型才能更好地发挥价值。

既然算法模型无法取代规则运营，现在强调数智化运营，这两者如何才能取长补短，相得益彰呢?

单一运营策略、业务流程运营、实时触景营销，经验为主，算法为辅。

例如，当用户浏览多个商品，都没有下单时，通过弹窗红包优惠券刺激用户下单，是比较容易将场景抽象成标签的，通过设定标签规则来圈选出符合条件的用户，命中了则触发营销策略。

此外，也可以配合使用一些算法挖掘类的标签，如价格敏感度(推荐红包金额)，在做更进一步的差异化运营。

用户偏好类、行为预测类，运营策略多样化场景，算法为主，经验为辅。

人民网曾经发文讲到“有用户不胜广告弹屏的干扰，无法安心买票”。这里面反映的问题就是对用户偏好信息的挖掘。运营经验更多的是只要符合其条件的用户就出发红包弹屏，经验没法做到对每个用户的差别对待。

算法模型，则可以预测每个用户对不同营销手段的接受程度，有些用户每次看到弹屏都会关闭，但是更喜欢短信的触达方式。

因此，对于多种策略、或多个产品候选集时，基于算法模型的运营转化效果、用户体验会更好一些。

数智化运营是趋势，但是要以具体的业务场景出发去选择，不能一味追求高大上的算法模型，而忽略业务经验的输入。基于业务经验的规则运营和基于算法模型的智能化运营要充分结合，才能取长补短，相互成就。

数据干饭人，微信号公众号：数据干饭人，人人都是产品经理专栏作家。专注数据中台产品领域，覆盖开发套件，数据资产与数据治理，BI与数据可视化，精准营销平台等数据产品。擅长大数据解决方案规划与产品方案设计。

本文原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议