消息中心
无消息通知

人工智能如何助力企业突围互联网运营困局?

数据侠

宋碧莲  02-15

互联网产品在近十年来呈现爆发式增长,然而它们中的大多数却面临着竞争力低下、用户大量流失而最终被市场淘汰的困境。如今,随着数字化和智能化的发展与变革,互联网企业纷纷拥抱新技术,不断尝试新的运营方式。用户运营始终是公司的核心战略之一,而AI技术也逐渐在营销领域的应用中脱颖而出。 互联网企业应该如何突破运营困境?结合大数据的AI技术如何赋能营销?用户运营的核心力量是什么?1月17日,数据侠实验室特邀Datatist(上海画龙)CEO宋碧莲,为大家带来“揭开AI技术驱动下互联网用户运营成功秘密”的线上分享,本文为演讲实录。

大家好,我是Datatist的宋碧莲,今天和大家分享的主题是如何用人工智能技术突破互联网运营难点。将从以下五点进行论述:

  • 核心用户运营问题

  • 中国互联网运营困境

  • 用户运营系统应该如何改革?

  • AI运营的核心转化流程——如何提高用户转化率并降低成本

  • 案例解析:某大型保险企业的互联网智能用户运营

核心用户运营问题

互联网运营的核心痛点在于:潜在客户转化(拉新)、现有用户转化、价值用户转化(购买)、提升用户价值(包括复购、交叉销售、价值度提升),与此同时还要做好流失预警、用户唤醒。

那么,如何用人工智能、大数据来持续的提高用户活跃度、下单率、复购率、价值度等问题,这是数字驱动运营需要解决的核心问题。

互联网用户运营的灵魂技术被称为数字化智能运营。如图所示,大型互联网公司内部的智能化运营的运营目标,一般来说,分为产品运营和用户运营两块。

产品运营,即让用户在互联网载体,比如APP、小程序等的使用中,获得最佳体验。用户运营也被称为市场运营,即当用户未投入产品使用时,需要通过其他市场渠道,比如发短信、发邮件、打电话等方式,对用户进行有效地触达,并刺激回来。

但不论是产品运营还是市场运营,我们都依赖于左边“数字化与智能化”的运营优化决策,使运营达到最佳效果。比如,通过科学的决策,我们能了解客户群体的特征,从而判断,通过哪些渠道,投放什么样的活动,以什么样的形式,给什么样的对象才有效果。

一般来说,大型互联网公司内部“从BI到AI”产生智能化决策的路径,分为以下几个步骤:首先,是数据的采集与架构搭建。其次,在此基础上做一些BI报告。运营过程中,还需要对用户进行有效分析,包括探究深度行为、挖掘画像特征分类;此外,A/B测试、建立AI模型、设置个性化推荐引擎、找出最佳的决策也很重要。当这一系列过程统统完成,我们才有机会做出一个完美方案来保证营销的效果。

在大型互联网公司中,为了达到智能化运营的效果,团队配比也很重要。团队首先是数据团队加上运营团队的组合,运营又分产品运营团队和市场运营团队。与之配对的大数据团队则由数据采集师、数据架构师、数据工程师、数据科学家、商业分析师等组成,各司其责,相互辅助。

其中,商业分析师与运营方紧密结合,是需求的连接对象,并会把用户需求传递回来,引导整个团队协作,给出解决方案。

至于团队规模,各个公司不尽相同。eBay整个团队约有2000人(运营团队和数据团队的配比基本是1: 10),而Facebook、Linkedin等公司,团队规模至少200余人。所以,一个至少数百人以上规模的数据运营团队,是大型互联网公司运营效果的前提基础。

除了拥有庞大的数据运营团队之外,大型互联网公司也非常重视运营工具。比如,在eBay,仅是互联网数据平台的投入,每年就高达数亿美金,耗资巨大。又比如Facebook,在2018年组建了一个很大的AI平台,耗资100亿美金。

为了实现最新的技术,大型互联网公司会根据现实情况采用不同路径。有的是自己雇佣大量的数据科学团队进行试验,也有的是耗巨资去购买第三方的产品、顾问服务等。但很多公司不具备自主研发的条件,就更加依赖于工具。

从这张图可以看到世界级企业投身营销云的情况。主要分为两块:外部营销(Ad Tech)即拉新,和内部营销(Mar Tech)即留存与转化。目前供应商中排名前四名的是salesforce、ORACLE、IBM和Adobe。其中又以Adobe和salesforce作为主导。

通过这张收购图可以发现,四巨头收购了很多营销类与数字类的公司。主要可以概括为两类,其一是数据产品公司,也就俗称埋点与分析公司。另一类是营销自动化产品,类似于发送短信、OST的工具平台——这两种工具在市场上最常见,市场占有率也是最高,也是被收购最多的行业产品线。

 但他们也存在短板,归纳起来就是:

  • 智能决策无法自动化产生,全是靠人工。

  • 基于人工,所以它也不是一个自动化的产品。

  • 营销数据驱动营销的链条尚未打通,没有形成一站式的解决方案。

  • 新零售场景,即线上到线下的转型方案没法解决,大多是线上或线下的单一解决方案。

  • B2B越来越多的线上化需求,尚未解决。

中国互联网运营困境

结合上述这五大痛点,我们先来看一下中国互联网的运营情况。

随着近年创业、创新趋势的推动,中国互联网产品数量已经是全球第一名,是美洲+欧洲国家产品数量的总和。

 但比较可惜的是,其中只有非常少数的产品成为了独角兽公司,大多都运营不好。究其原因,运营理念平均水平低下是关键因素之一。除了BATJ等头部企业外,90%的企业对运营的理解即拉新,分类即打标签,非常表面化。

此外,除了缺乏科学的方法论跟技术,中小企业还存在巨大的人才缺口。在美国硅谷,每一家企业,不论企业类型,背后基本都有大数据团队和数据运营类工具作为支撑。但是在国内,很多大型公司、品牌公司都不一定有成体系的大数据团队。

就目前的市场来看,了解互联网、又懂用户运营的人才非常紧缺,知道数字化运营的人就更是凤毛麟角。市场上每年缺口有100万,2/3的岗位都没有办法满足到需求。

再从工具层面来看,国内的市场比国际要落后十年左右,工具种类也比较单一。要么是做产品分析,给产品经理做一个助手;要么做可视化工具BI报告。涉及营销类的工具比较少,而且这其中大多数又集中在外部营销,即拉新广告效果的投放监测等,目前还没有形成像美国MarTech这样的一股趋势,而会用AI大幅度提高Martech效果的几乎没有。Datatist的产品正是弥补了预测营销云的空白,以世界上最专业的数据运营核心技术来做用户运营,并且用AI技术提供智能化的决策,有效的提高用户运营的效果。

用户运营系统应该如何改革?

比如像Datatist的具体解决方法,是通过提供一个完整的机器人大数据运营团队,来改善市场上大数据人才紧缺的现状,填补空白。同时,我们把这样一个顶级团队的经验转化成产品,然后让它标准化、普世化,这样很多企业就都可以拥有这项专业技术。

通过机器人大数据运营团队来提供整套大数据与AI技术平台跟数据运营平台,从而让企业将有限的数据人员都从繁重的数据底层加工和琐碎耗时的BI分析中解放出来,继而培训成数据运营官,直接投入到对企业最有价值的工作中去。

数据运营官主要是利用工具来更好地发现运营问题,找到解决方案,指导运营决策,然后执行方案。在运营活动后分析运营效果,并且持续优化及提升效果。

其实,完成整个过程不仅工作量巨大,所需的人力、物力成本也非常大,但如果严格执行,企业就能直接立竿见影见到效果。而现在,类似于Datatist这样的第三方平台,不仅能最大化地降低人力成本,也能最大化地提升实施效率,有时候能将需要两、三年时间才能开发完成的内容,骤减至2周内部署完成。如此一来,数字化转型效率得到数百倍的提升。

让企业在最少的资源配置下,拥有世界最先进的AI大脑,和本来需要一支数百人的团队历经数年才能开发完成的大型数据运营系统。

AI运营的核心转化流程

在AI时代,运营变革会变成什么样子?答案是:运营模式将会从粗放式走向精细化,运营的目标将从局部优化,走向全局优化,并且,运营的工具将会从营销自动化的模式走向营销智能化。 而大数据将从BI走向AI,并且它是闭环一站式驱动的变革。

一个真正智能的用户运营解决方案的框架如图所示。首先,平台可以对接各种各样的数据源,包括行为数据、业务数据等,全部对接完毕后,可对用户进行综合画像,然后通过机器学习模型建立AI中心,再将智能决策传递到营销平台,形成一个智能运营中心。活动之后,还可以通过A/B测试来反复的优化效果。

此外,智能用户运营的应用场景非常广。不仅可以用在互联网方向,所有的自营平台均可通过SDK接入,完成从数据中心到智能运营中心这样一个全流程的转化。

它也可以应用到非线上场景。比如新零售的线下门店,也可以通过门店数据来接入,产生API,然后对用户进行复核的预测,作出转化。

而像京东、天猫、亚马逊、eBay之类的电商平台,大量的依赖第三方平台。我们也可以通过对接第三方平台,将用户进行一个转化。所以说,智能用户运营可应用的场景非常广,极大地丰富了运营的多样性。

由此,我们也可以看到,这一系统五大优势:

  • 智能化降本增效,提高转化率。

  • 从数据到运营一体化操作,不需要过多的人工干预。

  • 从数据的采集、分析,到用户画像、预测、营销推广,再到效果跟踪、优化,也全程自动化。

  • 支持传统行业转型,拓展到线下智能业务。

  • 支持B2B行业智能化运作,补充企业画像。

案例解析:某大型保险企业的互联网智能用户运营

接下来,以某大型保险企业为例,来具体讨论互联网智能用户运营。

该大型保险企业是国内金融界科技实力最强的集团之一,也非常重视大数据、人工智能等领域的开发,希望通过AI技术提高品牌粘性、品牌活跃度,挖掘用户的价值,从而对他们进行精细化运营。

首先,我们可以看到,该集团内部已经拥有好车主(2C)、好伙伴(2B)、团E宝(团队)等几十个互联网系统。而这些互联网系统背后都需要一套有效的方法来进行智能化的用户运营。

于是,我们首先在该企业内部搭建了一个PaaS平台,用于数据采集与数据云平台的构建。在此基础上,还提供了一套智能化的用户运营系统。不同的业务线都可以接入到系统中来,利用平台资源为各个业务线实现智能化运营。

第一个环节是数据采集+埋点管理,在这边我们采用的是无埋点与核心事件埋点的结合。无埋点技术指的是,对所有页面元素进行自动埋点。但对于交易数据等核心数据,我们需要通过埋点来精准获取。

接下来第二步:搭建基于Hadoop spark 等的私有化部署的云平台。这是集团级别的超大型系统,云平台规模相当大,并且要同时支持离线和实时两种模式,支持集团很多部门(主要是业务和数据)不同角色的需求。

第三步进行分析,包括行为路径分析、漏斗转化分析等,这是用户运营分析非常重要的一环。

在这里提一点,运营分析是分为运营前分析(pre campaign analysis)和运营后分析(post campaign analysis)的。每次运营之前我们都需要用分析中心进行挖掘 ,找到运营的问题,定位出运营优化的方向。运营做完之后,要复盘用户的转化漏斗、转化路径,并且由于之前做了A/B测试来判定不同人群,所以需要反复对比。

与此同时,不同的活动完成后,我们也要去做渠道归因,评判这个活动是否能带来合适的转化。有时候,平台系统能自行生成事件分析,但数据人员可能还希望能够自己做深入研究。所以,我们还提供一个强大的BI分析工具,可以自定义任何分析,自由挖掘任何想要的分析结果。

为了做好精细化运营,最关键的一环是,对用户进行合理的标签与画像。可能一提到画像,大家的概念就是标签,但很多时候还要做高级分类的画像。

比如,哪些用户是高价值用户,哪些是中、低价值用户;哪些是高活跃用户,哪些是低活跃用户;哪些人有潜在价值等等,这些都需要进行合理分类。总地来说,我们需要掌握用户的过去、现在和未来,包括行为标签、业务标签、偏好标签、产品标签等等,都需要大量挖掘。

有了这些标签和画像后,我们就要对用户进行有效迁移。可以根据不同的运营目标,应用不同的算法建立预测模型,将可能转化的人群精准定位、转化,这和市面上的“千人千面”不是一回事(Datatist的做法是提高人群精准度,千人千面是提高内容匹配度)。

需要明确的是,所有的活动都并非一次就可以成功。每次活动都要循序渐进地追求优化效果,循环往复中,实现量变到质变的飞跃,所以一定要掌握复利原则。也因此,每次活动,我们都要科学的选择对象,再用AI进行精准预测及触达,接着对营销效果进行合理跟踪,及时进行效果分析,并反复对结果进行循环优化,形成闭环。

至于对象的选择,如图所示,都可以通过这里进行标签筛选,然后对它展开活动。活动内容,这边也可以做A/B测试,进行优化。最终,活动的效果要进行实时跟踪。

从前,每次活动的总结,都需要数据团队手动抓取活动数据进行效果分析,耗时费力,还不一定能把成功、失败的因素讲清楚。现在,通过预测营销云,我们不仅可以自动、实时地将活动最终效果分析出来,还极大程度地缩短了分析的过程,降本增效。

最后,我们来看看一站式的智能用户运营系统,它能带来怎样的运营效果?

还是以该大型保险企业为例,在AI智能运营环节,我们做A/B测试,对比用规则选人的传统促活和用模型选人的AI促活分别带来的营销结果。

这两个活动开出去之后,三天时间就看到了差距。AI促活优化,发了50万条短信,活跃了7万人,转化率为14.6%。传统优化,虽然推送了100万条短信,但仅活跃4万多人,转化率为4.61%。

可以明显看到,新方法用了一半的成本,却达到了1.6倍的转化人数,效率提高了3.2倍。看到效果之后,我们就做全线推广,帮助该大型保险企业月活突破至千万。

再比如,我们曾在某大型股份制银行,做了开户预测和活跃度预测,在一定时间内增加开户用户数量,预测开户提升3.36倍;并且增加活跃用户数量,预测活跃提升4.79倍。

再看这个国内最大家电品牌的用户复购预测。从“双11”我们给他们做的复购预测来看,复购率提高了20倍。

其他的相关案例还有很多,我们公司的愿景也是希望能做世界第一的预测营销云产品。并且,希望能够联合全世界最好的数据专家,来共同促进数字化与智能化的产业升级。

随着互联网的推进,我们相信未来会诞生两个新兴产业:数据运营官和AI运营官。这个行业是希望大家不再去拘泥于做一些简单的数据采集,或者数据架构的工作,而是将精力更多的放在运营方面去,去思考怎么样用数字来推动运营的进步,怎么样用人工智能来提高运营的效果。这对企业来说,非常关键,也是让90%的互联网企业得以生存、前进的动力。Datatist 不仅被邀请给人社厅做人工智能培训,也被邀请给联合国一带一路跨境电商做智能运营培训,甚至给国际顶级电商eBay中国的分析团队做培训,学员对于智能运营这个新技术都非常的认可和重视。

最后,欢迎大家参与进来,相互学习,互相分享,共同进步!

数据侠门派

宋碧莲(Sophia),上海画龙创始人兼CEO,美国最顶级研究机构NSF(美国国家自然基金会)机器学习方向博士后;香港理工管理优化博士;在eBay工作期间最早提出了以用户为中心的个性化市场运营优化策略,为eBay挖掘出价值数亿美元的市场营销机会;将AI和优化结合,创立了AI驱动用户运营优化的新理论,并在LinkedIn最早应用实践,将LinkedIn用户活跃度最高提高28倍,被LinkedIn CEO誉为最好的分析师,获得LinkedIn改革奖。

加入数据侠

数据侠计划是由第一财经旗下DT财经发起的数据社群,包含数据侠专栏、数据侠实验室系列活动和数据侠联盟,旨在聚集大数据领域精英,共同挖掘数据价值。申请入群请添加微信公号dtcaijing003并备注“数据社群”,合作请联系datahero@dtcj.com。

 

 

相关推荐