引言：
在當前行業形勢下，降本增效已經是公認的命題，粗放擴張的時代已經過去，接下來是在從業務到技術都需要精細化管理的時代。但在這個命題下，往往未被提及的一點是用戶價值。如果爲了降本增效，而犧牲了用戶價值，激烈競爭下，企業是否還能留住用戶？
專家介紹：
賴洪科
OPPO互聯網應用研發平臺及推搜算法部總經理，有超過14年的互聯網廣告研發經驗，主導OPPO廣告播放系統、搜索引擎等多項研發建設，也同時負責廠商應用體系數據搭建等工作。目前負責OPPO軟件商店、遊戲中心等研發工作，同時負責推搜部門整體技術探索及應用。
DataFun社區｜出品
▼01.跨度與深度
OPPO同時兼顧了這兩點。
他們面對的是跨度極大的場景，卻仍然實現了深度的用戶價值。
在應用分發場景中，OPPO需要解決的核心問題是，如何提升軟件商店的App下載量和用戶付費轉化率。最直接的方法，就是通過推薦系統提高App的曝光量。
但難點在於，對於推薦系統而言，應用分發和其它典型場景比如電商購物的差異性太大了。
差異性主要在於跨度，包括金融、物流、出行、電商、遊戲、社交等類目，應用分發的場景跨度是行業級別的，也就是說，跨度要至少大一個層級。這種差異，正如軟件商店通常作爲手機操作系統第一個軟件，而後纔會有專用於購物、打車的其它軟件。
既然是“第一個軟件”，那麼作爲手機操作系統的一個交互樞紐，應該在數據上有優勢纔對不是嗎？
然而，由於App下載場景偏工具性，不像電商購物那樣用戶經常會有閒逛的習慣從而能沉澱很全面的數據，所以交互是很稀疏的。
並且，從價值轉化的角度，其鏈路也很長，“用戶在電商場景一般有明確的付費意圖，同時電商場景的轉化鏈路比較短，比如經過瀏覽、加購物車、下單、付款等階段就可以完成轉化。但是在應用分發場景下，鏈路會非常冗長。從廣告主的角度，除了基本的曝光、點擊、下載，還需要考慮更深層的激活、付費、留存等鏈路。”OPPO互聯網應用研發平臺總經理賴洪科表示。
除了軟件商店之外，遊戲中心的應用分發也有自己的獨特性，“遊戲裏面通常會有大R用戶，大R用戶付費量極高，其行爲會直接影響或污染很多數據，比如對10個用戶做推薦，有1個人產生了付費，其可能帶來的價值比1000個人都高。這些行爲直接影響很多實驗數據和建模數據，從而影響對普通用戶的價值挖掘。”總體而言，遊戲的LTV預估對於整個遊戲行業，包括OPPO以及遊戲廠商仍然是很大的挑戰。
除此之外，應用分發還面臨請求維度、場景維度等難題。
所以，OPPO即便擁有海量數據，但在這樣的數據中掘金並不簡單。
▼02.全場景統一建模：填補稀疏空間
場景跨度大的海量數據帶來的首要問題是數據稀疏，而推薦系統乃至傳統數據運營固有的飛輪效應，反過來也反映出對稀疏場景特別不友好。
這在OPPO的應用分發場景中體現的尤其明顯。“不限於軟件商店的話，應用分發包括了接近20個場景，每個場景之間的數據是割裂的。有一些場景的流量特別小，導致特徵很稀疏，怎麼估都估不準。”
“在一個場景上面做到最優始終是有侷限的，我們希望數據增強助力所有場景提供都提供最優質的服務。”爲此，OPPO在推薦系統中落地了全場景統一建模技術。
以軟件商店和遊戲中心爲例，相比之下，軟件商店的用戶量大、畫像較寬泛，而遊戲中心的用戶畫像更精確。因此，很自然的一個疑問是，兩者能不能互相補充。“我們在開發遊戲中心推薦功能的時候，做了一個模型，上線之後效果無論如何都達不到預期。最後發現，原因就在於用戶的行爲非常少。這個時候軟件商店的數據就是一個極大的補充，因爲我們可能有 85% 以上的下載都會在軟件商店發生，所以它有最豐富的下載數據，幷包括了下載類目、實踐、興趣等維度。”
基於軟件商店的數據增強，可以帶來成倍的效果提升，“我們看到這個結果的時候，就更加堅定要做這個事情。”這就是OPPO所打造的實現全局特徵共享、全局樣本融合的數據底座。
將軟件商店、遊戲中心等所有場景打通之後，全局特徵共享的 KV 存儲從2T 擴展成了30T，特徵規模也從1億擴展成100多億。通過多場景的數據互融互通，使到各種場景的泛化能力變得更強。
大底座設計的思想可以說是工程建設的高級玩法，這通常是某項基本能力成熟並標準化、普適化從而獨立的結果，類似數據湖架構、雲原生架構，以及當下流行的大模型+小模型的LLM工程架構的誕生。
但數據底座終究是一種通過共享提升效率避免重複建設的設計，並不能保證對用戶的精準適配，爲此，還需要將數據底座結合針對垂直領域的個性化網絡，才能更好地進行推薦。
”例如在遊戲中心，可以很容易發現刻畫用戶玩遊戲的興趣偏好，但是玩哪個遊戲不是重點，用戶爲哪個遊戲付費，纔是非常個性化的特徵，從而可用於增加整體流量的價值。“
正如大模型+小模型是“共性+個性”的組合，OPPO的推薦架構也不例外。將全局網絡之上融合個性化局部網絡，得以在共享的基礎上表徵任務間的相關性和差異性。
這種設計下，除了應用分發推薦的效果提升，效能提升也是顯著的。比如算法迭代上免去了大量數據打通工作，部分場景原本需要超過10個人的團隊支撐，現在僅需要2-3個人。
總體而言，隨着推薦算法模型越來越透明，在業界落地中，算法與工程的協同設計纔是落地的核心工作，“怎麼把模型結合場景或者業務，將價值最大化，關鍵在於數據能不能支持到位，工程能力能不能跟得上。”
▼03.深入價值：以始爲終的思維
OPPO在推薦系統上的效能提升工作，並沒有以犧牲用戶價值爲代價，反而對後者進行了更深層次的挖掘。
比如前述提及的oCPX能力，這是一種智能控價的能力。廣告的收費方式通常是觀看即付費，投入產出比極低，對於廣告主很不友好。推薦系統帶來的定向投放能力對於廣告投放的精準度提升是革命性的，但初期仍然侷限在觀看即付費的模式。oCPX正是爲了彌補這一缺陷誕生的。
oCPX可以讓廣告主選擇明確的優化目標，比如觀看、下載、註冊、付費等，系統可以通過算法預估每次投放的轉化率，結合期望成本，自動出價，從而保障成本效果穩定。
oCPX的技術可謂相當卷，在OPPO看來卻是不可或缺的能力，這種敏感度源於OPPO很早就有應對轉化飽和的經驗。
在移動互聯網發展早期，OPPO發現軟件商店的用戶轉化即將見頂，“軟件商店是工具型的，意味着它容易穩定，穩定之後用戶就沒有別的訴求了。這時再想繼續將流量提升就會遭遇瓶頸，瓶頸在於效率，也就是人的效率遠遠不足，光靠常規產品開發是不可能進一步突破的。”
因此，在2015年，OPPO在軟件商店中引進了推薦算法。從2015年開始，OPPO推薦算法分別經歷了淺層機器學習模型、oCPX能力、神經網絡，以及如今的全場景統一建模等發展階段。
oCPX能力對廣告主友好，可以控制投放成本，但對算法平臺的要求很高。比如對於應用分發4個模塊（首頁、熱搜、相關推薦、下載更新頁）的5個轉化指標，即os激活、回傳激活、回傳註冊、遊戲註冊、遊戲付費，就可以組合成4*5=20種CVR預估模型。這會導致模型數量過多、難以維護，深度轉化（比如遊戲付費）的CVR樣本稀疏，模型之間難以共享特徵等難題。但這些恰好用前述提到的全場景統一建模方案就可以解決。
具體而言，OPPO採用了MMOE的建模方式，讓淺層目標和深層目標共享embedding，從而極大減少模型數量，同時保證甚至提高了轉化率。其中，目標越深，也就越需要偏置更強的個性化網絡進行建模。
oCPX能力的建設一方面節省了廣告主的投放成本，另一方面也減少了手機用戶的打擾。針對手機用戶，OPPO還在算力層面進一步提升用戶服務。
在國內，算力系統的首要難題就是，如何在算力基礎設施不變的情況下，提供更優質的服務。
削峯填谷是最常見的做法，但OPPO的業務場景一般不適用這種做法，其各類業務週期性一致，難以通過彈性擴縮容進行業務間資源錯峯騰挪；並且，流量價值差異大，用高成本複雜模型承接低價值流量，則ROI可能不高。“在彈性擴縮容裏，可能會在部分業務之間削峯填谷，這是一種方案；另外一種是在高峯的時候不停的進行資源伸縮，但這對系統的要求是要跟基礎設施都非常緊密結合才能達到這一點。但往往我們的業務特點是波峯特別明顯，所以在波峯的時候通常不能依靠其它業務的資源彈性來補充算力，這纔是最現實的問題。”
除此之外，還需要面對高峯場景下隨時可能出現的流量過載，稍不留神系統就崩潰了，這是最基本的問題。
爲此，OPPO首先設置限流閾值，通過隨機丟棄過載流量的方式，並且適應硬件的具體情況，實現動態的限流閾值，保證系統穩定性。
下一步，爲了保證服務質量，OPPO在算力系統中採用了用戶運營的典型打法，即用戶分層。對於一些低價值流量進行適當限流，從而保證高價值流量的維護。通過這種方式，在同等資源下，流量支撐上漲了15%，以及營收增長15%，“這是一個非常有誘惑力的數字。”這些優化造就了智能算力V1.0。
然後，OPPO進一步對流量進行“打假”，“我們對流量實現了個性化價值預估，目的就是找準真正的 VIP 用戶，並對低價值流量提供降級服務。”此即智能算力V2.0，在這個階段，並沒有對低價值流量進行限流。該系統在相同的資源下，流量支撐提升20%，同時營收進一步增長。
到智能算力V3.0時代，又該怎麼走？一個很簡單而普適的洞察是，20%的流量承載了80%的流量價值，因此，最直接的做法就是進一步提升VIP用戶的服務質量，在這個階段，高質量用戶將獲得增配算力。
從V1.0到V3.0，從用戶視角是一個無感優化到質量提升的過程，OPPO在最大程度上兼顧了降本與增值。
▼04.降本與增值：穩紮穩打
模型建設上搭建公共層，用戶轉化上追求極致精細化，用戶服務上遵循價值與資源適配的原則，OPPO在工程上達成了優越的權衡能力，並將業務思維融入到了工程設計的方方面面，實現了降本與增值兩不誤的局面。
當然，原本這兩者並不是衝突的，但如何克服複雜性並一步一步地從技術到工程到業務去落地，則是難得的功力。
- End -
訪談人：賴洪科 OPPO互聯網應用研發平臺及推搜算法部總經理
與談人：劉曉坤 DataFun
編輯：劉曉坤 DataFun