chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

編輯導(dǎo)語(yǔ)：精細(xì)化運(yùn)營(yíng)是每個(gè)企業(yè)目前都在做的事情，希望通過(guò)數(shù)據(jù)價(jià)值的挖掘和利用，實(shí)現(xiàn)降本增效。最近CDP平臺(tái)增加了很多算法挖掘的標(biāo)簽，基于算法圈選的目標(biāo)人群轉(zhuǎn)化效果要比運(yùn)營(yíng)基于經(jīng)驗(yàn)并且人工圈選效果好。這是不是意味著：基于算法的智能運(yùn)營(yíng)可以取代基于經(jīng)驗(yàn)的業(yè)務(wù)規(guī)則運(yùn)營(yíng)呢？本文針對(duì)這一點(diǎn)進(jìn)行了一些思考與總結(jié)，一起來(lái)看下。

精細(xì)化運(yùn)營(yíng)幾乎是當(dāng)下每個(gè)企業(yè)都在做的事情，希望利用數(shù)據(jù)價(jià)值的挖掘和利用，提升運(yùn)營(yíng)的ROI，降本提效。

用戶分層運(yùn)營(yíng)的方式一是基于運(yùn)營(yíng)的業(yè)務(wù)經(jīng)驗(yàn)，將運(yùn)營(yíng)場(chǎng)景抽象成標(biāo)簽規(guī)則進(jìn)行人群圈選和觸達(dá)營(yíng)銷，另一個(gè)就是利用算法模型進(jìn)行人貨場(chǎng)的智能匹配。這兩種運(yùn)營(yíng)方式各有什么優(yōu)劣勢(shì)呢?

最近CDP平臺(tái)新增了很多算法挖掘的標(biāo)簽，擴(kuò)展了基于算法模型直接輸出目標(biāo)人群的場(chǎng)景，通過(guò)AB對(duì)比，算法圈選的目標(biāo)人群的轉(zhuǎn)化效果要好于運(yùn)營(yíng)基于經(jīng)驗(yàn)、規(guī)則人工圈選的效果。

有同學(xué)不禁問(wèn)道，既然基于算法的運(yùn)營(yíng)過(guò)程不需要運(yùn)營(yíng)介入，省去人工圈選的動(dòng)作，可以輸出更精準(zhǔn)的人群，轉(zhuǎn)化效果更好，那是不是基于算法的智能運(yùn)營(yíng)可以取代基于經(jīng)驗(yàn)的業(yè)務(wù)規(guī)則運(yùn)營(yíng)呢？

針對(duì)這個(gè)問(wèn)題，個(gè)人的思考總結(jié)分享給大家。

規(guī)則運(yùn)營(yíng)是指將業(yè)務(wù)精細(xì)化運(yùn)營(yíng)的場(chǎng)景需求，抽象成目標(biāo)用戶篩選的標(biāo)簽條件，利用CDP(或DMP)等精準(zhǔn)營(yíng)銷平臺(tái)或者數(shù)據(jù)開發(fā)數(shù)據(jù)加工進(jìn)行用戶圈選、營(yíng)銷觸達(dá)。

舉一個(gè)例子，我們都知道付費(fèi)會(huì)員相比較一般用戶復(fù)購(gòu)概率、消費(fèi)頻次、平臺(tái)忠誠(chéng)度要相對(duì)較高(游戲人民幣玩家和免費(fèi)玩家的區(qū)別)，各家電商平臺(tái)都在建設(shè)自己的付費(fèi)會(huì)員體系，如京東的Plus會(huì)員、攜程的超級(jí)會(huì)員等。

會(huì)員運(yùn)營(yíng)的同學(xué)希望找到潛在的付費(fèi)會(huì)員用戶，進(jìn)行開卡優(yōu)惠的促銷活動(dòng)。所有用戶都進(jìn)行營(yíng)銷觸達(dá)的粗放式運(yùn)營(yíng)的時(shí)代已經(jīng)過(guò)去了，廣撒網(wǎng)的弊端一是促銷成本的投入，二是對(duì)用戶過(guò)度打擾影響用戶體驗(yàn)。

精準(zhǔn)營(yíng)銷思想下，按照業(yè)務(wù)經(jīng)驗(yàn)，認(rèn)為目前下單頻次較高、消費(fèi)能力強(qiáng)，并且對(duì)品牌有一定認(rèn)可程度的近期活躍用戶更有可能轉(zhuǎn)化付費(fèi)會(huì)員。于是，該場(chǎng)景拆分成多個(gè)用戶篩選的條件，例如品牌認(rèn)可度可以利用有過(guò)分享行為來(lái)量化。

從上述案例可以看出，規(guī)則運(yùn)營(yíng)，需要具備良好的業(yè)務(wù)經(jīng)驗(yàn)和一定的數(shù)據(jù)思維才能將目標(biāo)用戶識(shí)別條件標(biāo)簽化，主要特點(diǎn)如下：

優(yōu)點(diǎn)：

• 行動(dòng)敏捷，明確運(yùn)營(yíng)場(chǎng)景以及人群圈選條件后，可以快速進(jìn)行人群輸出，是CDP平臺(tái)運(yùn)營(yíng)可以自助圈選，單個(gè)場(chǎng)景1小時(shí)以內(nèi)搞定，即使依賴于數(shù)據(jù)開發(fā)，周期也基本上可以控制在1周以內(nèi)。
• 可解釋性高，人群都是基于經(jīng)驗(yàn)按既定條件篩選出來(lái)，過(guò)程策略的動(dòng)態(tài)調(diào)整、后期運(yùn)營(yíng)效果的分析，運(yùn)營(yíng)規(guī)則的都比較容易理解，可解釋性強(qiáng)。
• 實(shí)現(xiàn)成本低，按照規(guī)則的圈選或數(shù)據(jù)清洗，運(yùn)營(yíng)+平臺(tái)工具或運(yùn)營(yíng)+數(shù)據(jù)開發(fā)需要人力成本以及計(jì)算成本都比算法模型要低很多。

缺點(diǎn)：

• 規(guī)則固定，一旦圈選條件確定后，用戶群體就固定了，無(wú)法再根據(jù)用戶實(shí)際的反饋進(jìn)行規(guī)則的動(dòng)態(tài)調(diào)整，例如給進(jìn)站用戶進(jìn)行優(yōu)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(nèi)容，但是規(guī)則運(yùn)營(yíng)也沒法針對(duì)此類用戶進(jìn)行過(guò)濾。
• 人群條件相對(duì)有限，基于經(jīng)驗(yàn)抽象出來(lái)的規(guī)則一般不會(huì)太多，3~10個(gè)特征居多，分層的精細(xì)化程度一般。

基于算法模型的精細(xì)化運(yùn)營(yíng)，主要是指利用各種機(jī)器學(xué)習(xí)的算法，對(duì)用戶進(jìn)行聚類或行為預(yù)測(cè)，進(jìn)行人貨場(chǎng)的精準(zhǔn)匹配。最典型的例子是產(chǎn)品的千人千面的個(gè)性化推薦。

利用用戶的畫像信息、實(shí)時(shí)瀏覽行為數(shù)據(jù)等更多的特征維度，進(jìn)行模型的訓(xùn)練，讓模型具備學(xué)習(xí)的能力，當(dāng)有新的用戶訪問(wèn)產(chǎn)品時(shí)，可以預(yù)測(cè)用戶偏好的產(chǎn)品。

機(jī)器學(xué)習(xí)的本質(zhì)是讓機(jī)器具備人一樣的自學(xué)習(xí)能力。仍以高潛付費(fèi)會(huì)員運(yùn)營(yíng)為例，智能化運(yùn)營(yíng)的流程是，需要先找到購(gòu)買付費(fèi)用戶的特征，或者把業(yè)務(wù)經(jīng)驗(yàn)標(biāo)簽維度作為模型的特征集，進(jìn)行模型的訓(xùn)練。最終輸出目標(biāo)付費(fèi)用戶人群。

基于算法的智能化運(yùn)營(yíng)的特點(diǎn)如下：

優(yōu)點(diǎn)：

• 模型上線后，可基于自訓(xùn)練的能力，針對(duì)每個(gè)用戶進(jìn)行實(shí)時(shí)的行為預(yù)測(cè)，相比于規(guī)則的圈選，適用性更強(qiáng)。
• 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(xì)化。轉(zhuǎn)化效果可能高于業(yè)務(wù)經(jīng)驗(yàn)版本(也有效果不好的算法)
• 模型可以直接輸出目標(biāo)人群或人貨場(chǎng)匹配的API接口，運(yùn)營(yíng)需要參與的工作大幅減少。甚至運(yùn)營(yíng)人員可以做甩手掌柜的，只關(guān)注最終的轉(zhuǎn)化效果，無(wú)需關(guān)注用什么條件圈選哪些用戶，用什么觸達(dá)方式進(jìn)行推送。

缺點(diǎn)：

• 算法服務(wù)的開發(fā)成本高，一個(gè)算法類的標(biāo)簽或API服務(wù)算法工程師、接口開發(fā)工程配合，人力投入成本高。
• 算法模型的開發(fā)需要數(shù)據(jù)清洗、特征開發(fā)、模型訓(xùn)練調(diào)優(yōu)、模型部署、在線推理多個(gè)流程，開發(fā)周期長(zhǎng)。
• 模型很難通用，CaseByCase的場(chǎng)景居多，例如價(jià)格敏感性用戶和高潛付費(fèi)用戶用到的就是不同的算法模型。
• 需要解決冷啟動(dòng)問(wèn)題，新功能上線或新的業(yè)務(wù)場(chǎng)景缺少歷史數(shù)據(jù)支撐時(shí)，算法模型的準(zhǔn)確度不高。
• 可解釋性差，業(yè)務(wù)只知道當(dāng)前的用戶是命中了算法模型的，但到底為什么，哪個(gè)維度是主要影響因素，很難從算法幾十個(gè)甚至上百個(gè)特征里面去得到比較清晰的解釋的。

從以上關(guān)于兩種運(yùn)營(yíng)方式的概念以及優(yōu)缺點(diǎn)可以看出，算法模型是無(wú)法完全取代業(yè)務(wù)經(jīng)驗(yàn)的輸入的。主要的原因包括：

缺少業(yè)務(wù)經(jīng)驗(yàn)輸入的模型很難得到理想效果，過(guò)去做個(gè)一個(gè)火車票無(wú)票場(chǎng)景推薦機(jī)票、汽車票等聯(lián)程方案的算法服務(wù)，在人工和算法版本持續(xù)AB的過(guò)程中，運(yùn)營(yíng)的人工方案則重點(diǎn)考慮中轉(zhuǎn)站大小、以及當(dāng)?shù)赜脩舻能囌酒?、到達(dá)時(shí)間是白天還是黑夜等維度，進(jìn)行排序干預(yù)。

算法模型雖然考慮中轉(zhuǎn)的時(shí)長(zhǎng)、價(jià)格等幾十個(gè)特征對(duì)聯(lián)乘方案進(jìn)行排序，比如時(shí)長(zhǎng)短、價(jià)格低的方案靠前，但分析發(fā)現(xiàn)算法推薦的結(jié)果轉(zhuǎn)化率始終無(wú)法超越人工版本。運(yùn)營(yíng)的經(jīng)驗(yàn)更多了考慮“人性”，在算法沒有把業(yè)務(wù)經(jīng)驗(yàn)作為模型的信息輸入時(shí)，轉(zhuǎn)化效果是很難超越人工版本的。

算法模型的人力開發(fā)成本、所需要的存儲(chǔ)以及GPU計(jì)算成本遠(yuǎn)高于人工運(yùn)營(yíng)，對(duì)于一些可明確業(yè)務(wù)規(guī)則的場(chǎng)景，比如體驗(yàn)受損(投訴)用戶的安撫、生日用戶的關(guān)懷等場(chǎng)景，規(guī)則運(yùn)營(yíng)更方便和高效，殺雞焉用牛刀。

針對(duì)冷啟動(dòng)的場(chǎng)景，依然需要運(yùn)營(yíng)規(guī)則的兜底方案，隨著數(shù)據(jù)的不斷積累，算法模型才能更好地發(fā)揮價(jià)值。

既然算法模型無(wú)法取代規(guī)則運(yùn)營(yíng)，現(xiàn)在強(qiáng)調(diào)數(shù)智化運(yùn)營(yíng)，這兩者如何才能取長(zhǎng)補(bǔ)短，相得益彰呢?

單一運(yùn)營(yíng)策略、業(yè)務(wù)流程運(yùn)營(yíng)、實(shí)時(shí)觸景營(yíng)銷，經(jīng)驗(yàn)為主，算法為輔。

例如，當(dāng)用戶瀏覽多個(gè)商品，都沒有下單時(shí)，通過(guò)彈窗紅包優(yōu)惠券刺激用戶下單，是比較容易將場(chǎng)景抽象成標(biāo)簽的，通過(guò)設(shè)定標(biāo)簽規(guī)則來(lái)圈選出符合條件的用戶，命中了則觸發(fā)營(yíng)銷策略。

此外，也可以配合使用一些算法挖掘類的標(biāo)簽，如價(jià)格敏感度(推薦紅包金額)，在做更進(jìn)一步的差異化運(yùn)營(yíng)。

用戶偏好類、行為預(yù)測(cè)類，運(yùn)營(yíng)策略多樣化場(chǎng)景，算法為主，經(jīng)驗(yàn)為輔。

人民網(wǎng)曾經(jīng)發(fā)文講到“有用戶不勝?gòu)V告彈屏的干擾，無(wú)法安心買票”。這里面反映的問(wèn)題就是對(duì)用戶偏好信息的挖掘。運(yùn)營(yíng)經(jīng)驗(yàn)更多的是只要符合其條件的用戶就出發(fā)紅包彈屏，經(jīng)驗(yàn)沒法做到對(duì)每個(gè)用戶的差別對(duì)待。

算法模型，則可以預(yù)測(cè)每個(gè)用戶對(duì)不同營(yíng)銷手段的接受程度，有些用戶每次看到彈屏都會(huì)關(guān)閉，但是更喜歡短信的觸達(dá)方式。

因此，對(duì)于多種策略、或多個(gè)產(chǎn)品候選集時(shí)，基于算法模型的運(yùn)營(yíng)轉(zhuǎn)化效果、用戶體驗(yàn)會(huì)更好一些。

數(shù)智化運(yùn)營(yíng)是趨勢(shì)，但是要以具體的業(yè)務(wù)場(chǎng)景出發(fā)去選擇，不能一味追求高大上的算法模型，而忽略業(yè)務(wù)經(jīng)驗(yàn)的輸入?；跇I(yè)務(wù)經(jīng)驗(yàn)的規(guī)則運(yùn)營(yíng)和基于算法模型的智能化運(yùn)營(yíng)要充分結(jié)合，才能取長(zhǎng)補(bǔ)短，相互成就。

數(shù)據(jù)干飯人，微信號(hào)公眾號(hào)：數(shù)據(jù)干飯人，人人都是產(chǎn)品經(jīng)理專欄作家。專注數(shù)據(jù)中臺(tái)產(chǎn)品領(lǐng)域，覆蓋開發(fā)套件，數(shù)據(jù)資產(chǎn)與數(shù)據(jù)治理，BI與數(shù)據(jù)可視化，精準(zhǔn)營(yíng)銷平臺(tái)等數(shù)據(jù)產(chǎn)品。擅長(zhǎng)大數(shù)據(jù)解決方案規(guī)劃與產(chǎn)品方案設(shè)計(jì)。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unsplash，基于CC0協(xié)議