本文根據神策數據業務諮詢師潘書薈《數據智能打造“百人百態 & 千人千面”》的主題演講整理，從判斷企業是否需要千人千面、如何實現千人千面以及效果追蹤三大方面展開。
一、判斷企業是否需要“千人千面”
“千人千面”很容易理解，即找到對的人，用對的形式送達對的信息。目前，幾乎所有的互聯網頭部產品都做了“千人千面”的規則推薦，以至於我們有時候看到自己不喜歡的內容時，反而會去懷疑自己是否真的不喜歡、是否有還未挖掘的興趣偏好等。
在這樣的市場環境中，是否要隨波逐流，全部“拿來”呢？我認爲，企業首先需要考慮“千人千面”能夠給自己帶來的價值，核心在於以下兩點：
第一，提升內容到用戶的分發效率 。
如果使用人工策略或不使用任何策略，用戶也能看到自己喜歡的內容，但搜索成本較高且需要用戶承擔；通過機器學習等智能策略，可以降低用戶的搜索成本，實現內容到用戶的分發效率提升。
第二，提升內部工作流程執行效率 。
部分企業常用手工方式跑運營閉環，從活動策劃到執行，到監測，再到覆盤，如果在此過程中採用數據智能，那麼提升的不僅僅是工作效率，更對效果有正向驅動力。也就是說，企業需要將更多的時間花在策略調優上，而不是執行落地的過程。 
也就是說，如果以上這兩點的提升能夠幫助業務增長，那就代表着企業可以着手去做了。
二、如何實現千人千面
如下圖所示，千人千面可以分爲三個階段： 
接下來我們將從數據智能應用場景做進一步瞭解。
1.低階：人工決策配合智能執行。
場景一：計劃營銷，通常表現爲單次性、週期性運營策略。
舉個例子，電商企業在大促的前 7 天或者前 1 天，企業對用戶的一次性信息推送就屬於單次性計劃營銷；每個月的工資日、還款日的消息提醒需要重複、有規律地執行，這種就是週期性的營銷。
場景二：分層推薦，即基於用戶分層的差異化展示。
當用戶到達產品環境，企業可以有效利用分層推薦實現效果提升。常見的形式有：開機圖、Banner 圖和輪播圖，這三種推薦的物品量級往往較少，且更新迭代速度較快，除此之外，在設計這三種推薦規則時基本上已經明確了目標受衆。在這個場景中，採用人工決策基本上可以實現分層運營的目標。
2.進階：人工與智能共同決策。
在此階段，我們梳理出觸點營銷和精細化分層推薦兩個場景。
（1）觸點營銷通常是指通過人工決定策略方向，機器輔助計算決定觸發時機。
比如，當用戶多次瀏覽產品但沒有實現轉化時，可以通過機器設置：在用戶瀏覽產品 30 分鐘後無購買行爲的情況下及時觸發優惠券推送等策略，提升用戶轉化效率。
再比如，對於新客來說，我們希望一步一步加深其對產品價值的體驗，往往會在新客進入的第 1 天、第 7 天、第 30 天的時候進行用戶觸達，如果單純依靠人工拉名單完成推送，耗時耗力，而通過機器實現對新客的行爲追蹤，就可以輕鬆實現特定日期的自動化推送。
（2）精細化分層是在產品內部，針對用戶的個性化行爲進行精細化推薦的過程。
舉個例子，銀行業的功能推薦菜單，一般包含 100 個以上的功能，當用戶進入產品後很難第一時間判定哪個功能是該用戶真正需要的，這個時候就需要企業針對這 100+ 個功能進行梳理，每個/每類功能適合哪些用戶，然後基於用戶過去一段時間的訪問頻率路徑對功能展示進行排序，也就是說人工 + 智能共同實現精細化推薦。
3.高階：從決策到執行到反饋，全流程智能推動。
提及“千人千面”，大家第一時間想得到的多數是全流程智能，也可以按照當下流行的機器算法、深度學習概念去理解。其應用場景如下：
第一，智能營銷，即基於算法程序實現的自動化、個性化營銷，依靠機器識別並觸發的營銷推送，目前該場景還未廣泛應用。
第二，智能推薦，基於算法模型實現的個性化推薦，多用於信息流、相關推薦、熱門推薦等。
企業落地“千人千面”的核心是 ROI，在此原則之下還有一些硬性條件：
（1）用戶量級和物品量級。在神策智能推薦產品化的解決方案中，我們對於客戶擁有的物品庫有一定數量要求，低於 5000 的物品量級或者日活沒有達到特定級別時，是不適合做算法推薦的。
（2）用戶標籤和物品標籤的建設程度。在企業面向用戶進行精細化運營時，如果沒有足夠數據支撐用戶分層和識別物品特徵，那麼精細化運營的工作將難以開展。
（3）實時行爲數據流。無論哪一個階段的數據智能應用，都依賴對數據的實時收集，然後纔有可能基於用戶的瀏覽行爲實現個性化推送。 在以上三點都滿足的情況下，企業可以基於其現階段的 ROI 決定場景及優先級。
對於算法實現的“千人千面”來說，它的流程一般從數據系統開始，採集用戶行爲數據並灌輸至算法推薦系統，經過一系列的處理，推薦最合適的結果，然後再將結果返回用戶前端做展示，同時監測用戶點擊效果，以此判斷本次推薦效果的質量，持續優化，形成算法推薦的完整閉環。如下圖所示： 
在以上閉環中，模型訓練對於業務人員來講是一個黑盒，它主要分爲三個步驟：
1.物品召回，針對用戶個性化展示適合其看到的物品。
2.排序，基於各種各樣的判斷條件對挑選出的物品進行排序，以確保其能夠產生較好的曝光和轉化效果。
3.重排序，該階段需要較多業務輸入。舉個例子，運營人員對於產品調性和多樣性有一定的要求，比如某個用戶更傾向於看與寵物相關的短視頻，但很難有一個產品能夠只播放寵物類視頻，這就需要企業清楚認識到對長期用戶行爲的判斷是否應該完全依賴於算法產出的短期效果。
而想用好算法推薦，需要基於算法的數據智能依賴於技術與業務的雙重護航： 
第一，高效運作的智能推薦系統。
首先，它的前提是可獲取到準確的用戶行爲數據。
其次，算法模型本身。神策的算法功能，比有些客戶之前用的自薦或其他模型寫出的推薦效果更好，我們甚至沒有進行深度調優，這就充分體現了算法模型本身的優越性。
第二，基於業務邏輯進行系統調優。
算法並不能幫助我們解決所有問題，其典型代表場景是冷啓動。針對此，我提出兩點建議：①從新用戶進入產品前的渠道做信息和內容的承接，確保用戶進入產品後，可以看到符合他預期和需求的內容；②設計好的策略主動向用戶收集信息。
很多時候，算法並不依賴於用戶標籤和物品標籤的建設，所以有的業務人員會忽略對標籤建設的重視；但算法解決推薦問題的效果需要通過數據分析來做判斷，本質上是對一個指標進行層層拆解的過程，如果用戶畫像標籤/物品標籤建設不完善，就會對推薦效率和質量的判斷產生一定的影響。因此，雖然算法可以幫助我們解決很多問題，但同樣要求我們重視本身數據的建設。
對於人工干預來說，它涉及到的通常是一些特定環節，比如，對於特定物品的封禁行爲，參數調整，重排序階段的策略等。
通過以上，我們可以瞭解到算法本質上要結合業務去實現，且有一定的門檻，具體表現在業務、技術和人三方面：
1.業務模式是否適合用算法解決“千人千面”的問題。
首先，算法的最大價值在於內容到用戶的分發效率，那麼企業的商業模式下對內容到用戶的分發效率是否重視，影響力如何等。
然後，在業務發展的階段，我們勢必會優先建設內容以及拉新的動作，那麼此時是否需要投入大量精力去做算法的系統，實現“千人千面”呢？
最後，物品量級和用戶活躍數量是否達標。
2.是否有足夠的技術資源和大數據基礎支撐企業做好算法、或通過其他形式實現“千人千面”。
3.參與人員是否具備人工智能的理論與實踐的能力。
在人工與機器智能落地方面，它的本質很好理解。首先，我們會基於特定的條件去挑選出滿足條件的用戶，往上可以跟一些通道系統、營銷系統做對接，名單就會被自動推送，我們接下來要做的是發短信、推 push、發優惠券、發紅包等一系列動作，這個是針對我們圈選的人羣做的一些針對性運營設計；往下走可以對接內容營銷，配置展示的內容以及順序，通過人工決策指明方向，然後再由機器自動化去實現。 
如何組建整體運營系統？我們可以從點、線、面三個層面對運營動作進行梳理：
點，斷點營銷。梳理業務流程中用戶流失原因，並針對性地做一些挽回措施。
比如用戶訪問理財詳情頁但並沒有在指定的時間內完成轉化，或者因爲某些原因造成登錄失敗進而導致用戶流失……梳理完用戶行爲流程之後，針對各個環節的流失風險針對性制定策略。針對訪問未購買的用戶，推送 push 爲其推薦更加合適的理財產品；針對提交訂單未支付的用戶，站內 push 配合短信觸達，發送優惠券等促成用戶轉化。
線，流程推進。面向特定功能、特定業務、特定活動去做的持續性推廣，設計一些流程性的任務，比如在進行優惠券推送時，如果 5 元優惠券帶來的轉化效果並不好，那麼改爲推送 10 元的優惠券，根據效果層層遞進，試探性地觸達，所以該方法適合針對特定用戶達成的目標需要做持續運營的場景。
面，分層運營。通過對所有用戶進行分層，規劃每一個分層適合的運營方式，以此實現千人千面。業務人員通常不知道該如何着手設計運營計劃，我們建議可以通過一個比較通用的模型，診斷產品現存問題，然後針對問題環節設計優先級較高的運營策略。
通常情況下，會分爲以下兩種場景：
場景一：基於產品外的推送，主動觸達用戶
舉個例子，基於客戶生命週期模型，在“拉新效果較好但轉化不盡人意”的情況下，我們需要從新用戶旅程中篩選出重點環節，制定拉新、激活轉化、復購、流失召回等全流程的自動化運營策略；同時，也可以明確在激活環節的運營策略是否對轉化提升有所幫助，洞悉運營質量與效果，提升運營效率。
場景二：配合產品內展示，提升用戶轉化
首先要對產品內的運營位進行梳理，在制定策略的時候重點體現用戶分層運營，比如面向新老用戶分別設置功能菜單運營計劃、產品推薦計劃等。在推薦計劃設置和運營的過程中，可以結合用戶標籤體系，面向特定人羣做差異化內容展示，實現千人千面。
綜合來說，千人千面是一件有門檻的事情，具體在建設過程中需要注意以下問題： 
1.數據基礎及技術支撐
（1）推動用戶和物品標籤的建設；
（2）數據流和業務流的融合程度，它直接決定了我們制定策略以後，機器的執行效率和質量；
（3）通道建設與管理，這個是困擾很多運營人員的問題。在通道建設方面，可以選擇優質的第三方工具、自建系統等，確保 push 能夠被成功送達；在解決通道建設的技術難題後，需要選擇合適的場景請求用戶把通道打開；在打通觸達用戶的路徑後，要注重對通道的管理，就像神策智能運營系統，它可以幫助客戶主動選擇某一時間段內對用戶觸達的次數等。
2.業務實戰經驗積累與覆盤
（1）體系化的運營思路，基於上述方法論，梳理運營策略，以便於對全局運營有一個完整認知。
（2）效果驗證與知識沉澱，通過機器進行效果記錄和展示，打破人員流動帶來的經驗流失。其本質上是幫助我們提升策略上線效率和對結果評估效率的實時監測。
3.效率工具
效率工具如果能夠發揮出價值，就可以直接實現低階運營，即人工決策後，由機器執行釋放人力成本，提升人工決策與評估效率。但在此過程中，效率工具需要具備以下能力：
（1）與數據和產品打通的可視化策略編輯能力；
（2）上線管理的能力；
（3）行動效果回收與評估的能力。
只有具備這三方面的能力，才能夠幫助運營人員真正意義上提升工作效率，解放人力資源。
三、如何判斷千人千面的落地效果？
從指標效果評估上來看，可以分爲三個層級：
1.場景轉化類，它適用於點擊率、點擊人數比、人均點擊次數等，可以直觀地告訴我推薦對於用戶轉化是否有效。
2.內容滿意度，它可以通過消費完成率、消費市場、留存率的提升等進行評估。
3.業務目標達成，可詳細拆解爲活動的參與轉化、業務的交易轉化、ROI 的提升等。
以上三個層級其實存在遞進關係。在效果評估的過程中，有時候我們會發現點擊率有所提升，但並沒有帶來轉化率的提升，這是爲什麼呢？事實上，業務轉化率受多種因素影響，包括內容本身、產品質量、價格等。
從評估方法來看，需要結合公司業務表現來開展，往往分爲兩種形式： 1.版本對比，無論是灰度測試也好，策略上新前後對比也好，都需要考慮大環境和目標人羣的變化。
2.A/B 測試，它可以在同一時間排除外部因素的影響來進行效果評估，但企業要想進行 A/B 測試，必須要確保有足夠的樣本量，以保證業務效果和數據統計效果足夠顯著。
另外，企業要明確認識到效果評估始終依賴於數據基礎的建設。 
1.行爲數據對用戶識別尤爲重要，用戶識別機制的打通直接決定了我們對於用戶行爲的判斷是否準確；準確的行爲識別和豐富維度對數據分析結果有這毋庸置疑的影響。
2.標籤體系的建設。
3.效率工具。針對某個主題做細緻的效果評估時，往往會涉及到不斷探索、不斷提出假設與驗證，如果在此過程中沒有數據分析平臺發揮作用，就會造成跨職能線的低效溝通與執行。
希望大家能在本次分享之後，能夠對於數據智能實現千人千面這件事情有更進一步的認知。謝謝大家！