用户|数据化运营：算法模型可以取代业务经验吗？( 二 )

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。

文章插图
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。

三、规则运营VS算法模型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。