個性化推薦助力運營商數(shù)字化營銷

馬春宇，王軍林，王寶旺，甘波華

?

個性化推薦助力運營商數(shù)字化營銷

馬春宇，王軍林，王寶旺，甘波華

（華為技術(shù)有限公司，廣東 深圳 518129）

簡要分析電信運營商數(shù)字化營銷的挑戰(zhàn)與訴求，吸取互聯(lián)網(wǎng)思維優(yōu)勢，提出個性化推薦助力運營商數(shù)字化營銷，并介紹運營商個性化推薦的發(fā)展歷程。描述基于運營商產(chǎn)品、用戶行為數(shù)據(jù)以及大數(shù)據(jù)平臺計算能力，探索運營商個性化推薦營銷實現(xiàn)原理和實現(xiàn)流程。最后，講述了個性化推薦在數(shù)字化營銷中實現(xiàn)的場景，并對運營商個性化推薦的價值和未來進行展望。

個性化推薦；電信運營商；大數(shù)據(jù)；數(shù)字化營銷

1 引言

隨著智能手機和移動互聯(lián)網(wǎng)的飛速發(fā)展，運營商數(shù)據(jù)爆炸式增長。大數(shù)據(jù)時代來臨，企業(yè)如何利用好數(shù)據(jù)，實現(xiàn)更精細化運營、更好服務(wù)于客戶是新時期面臨的重要課題。運營商營銷管理也在不斷演進，從營銷策劃管理到營銷閉環(huán)，從批量營銷到實時/事件營銷，從粗放式營銷到精準營銷。經(jīng)過十多年的發(fā)展，運營商營銷能力不斷提升，以滿足高效、精準、實時的營銷服務(wù)需求[1]。

移動互聯(lián)網(wǎng)時代，用戶每天面對著海量音頻、資訊、商品等產(chǎn)品，用戶很難在海量信息中快速搜索自己感興趣的產(chǎn)品。對于企業(yè)而言，也很難掌握客戶購買意圖，難以與客戶的需求精準匹配，因此為解決信息過載和物品長尾等問題的個性化推薦工具應(yīng)勢而生。其應(yīng)用領(lǐng)域已推廣到商品銷售、服務(wù)、新聞資訊等生活的方方面面。

伴隨移動互聯(lián)網(wǎng)的發(fā)展，Amazon作為第一家將推薦引擎引入電子商務(wù)的企業(yè)，據(jù)VentureBeat統(tǒng)計，Amazon的推薦系統(tǒng)為其提供了35%的商業(yè)銷售額。還有淘寶網(wǎng)、今日頭條、Netflix等互聯(lián)網(wǎng)公司，它們基于用戶歷史數(shù)據(jù)挖掘、用戶偏好特征識別、精準推薦合適產(chǎn)品的個性化營銷引人注目。這也為運營商的個性化推薦營銷提供了很好的參考樣例。

人口紅利已經(jīng)消失殆盡，而流量紅利并沒有扭轉(zhuǎn)運營商收入、利潤下滑的趨勢。數(shù)據(jù)紅利時代遲遲未到，運營商還需要在本業(yè)務(wù)上下工夫。

存量保有和價值提升是運營商拓展收入的主要方向，但面對信息檢索手段有限、信息和內(nèi)容過量，用戶喜好無法準確定，多業(yè)務(wù)的混合推薦無法有效支撐等問題，傳統(tǒng)營銷模式束手無策。應(yīng)向互聯(lián)網(wǎng)企業(yè)學(xué)習(xí)，學(xué)習(xí)互聯(lián)網(wǎng)思維，引入個性化推薦，以期提升營銷效率[2,3]。

2 個性化推薦的發(fā)展歷程

根據(jù)運營商數(shù)字化營銷的個性化推薦發(fā)展，可劃分為3個階段。

（1）零個性化推薦階段

該階段運營商業(yè)務(wù)快速增長，因為用戶的普及率比較低，運營目的主要是快速擴大客戶群，采用“廣撒網(wǎng)”式的粗放營銷，營銷人員以經(jīng)驗為主，構(gòu)建以“規(guī)則”驅(qū)動的商業(yè)營銷。過程中主要依據(jù)業(yè)務(wù)人員的經(jīng)驗，一般也會利用用戶基本信息（如地域、性別、年齡等）以及客戶偏好等信息。這在當時的環(huán)境下還是非常有效的，幫助運營商快速成長。但是，隨著用戶數(shù)的飽和，“廣撒網(wǎng)”營銷方式成本較高且資源浪費嚴重，已經(jīng)不適合運營商當下的運營。

（2）半個性化推薦階段

該階段用戶趨于飽和，用戶的增長和離網(wǎng)也趨于平衡，運營壓力在于存量客戶保有和拉新并重。同時，智能手機的普及，運營商業(yè)務(wù)也呈現(xiàn)復(fù)雜化發(fā)展，廣撒網(wǎng)的營銷不僅造成資源的浪費，同時對客戶過度營銷和打擾會引起客戶不滿而投訴增加，需要采用新的營銷思路來拓展運營。這時出現(xiàn)了精準營銷、實時營銷、事件營銷等方式，基于用戶行為，挖掘用戶特性的個性化推薦受到各個運營商的青睞。本階段已開始構(gòu)建以“算法”為推薦引擎的數(shù)字化營銷。采用的算法主要是熱點推薦、客戶相似度推薦、產(chǎn)品相似度推薦、內(nèi)容關(guān)聯(lián)推薦和決策樹推薦。主要學(xué)習(xí)Amazon、Netflix等互聯(lián)網(wǎng)公司的個性化推薦能力。這種推薦能力大部分還是以“商品”“用戶”為核心，即運營商有什么樣的商品，判別什么樣的客戶群適合營銷，然后向目標客戶群觸發(fā)營銷的動作。半個性化推薦后期，算法能力進一步擴展，以稀疏線性預(yù)測模型等算法為代表，支持特征擴展，維度特征可以擴展到上萬個，挖掘用戶歷史行為信息以及用戶背景信息進行商品推薦。但這個階段也面臨一些瓶頸，例如需要領(lǐng)域?qū)＜襾碓O(shè)計特征，很難將一個領(lǐng)域的成功經(jīng)驗復(fù)制到另一個領(lǐng)域。從發(fā)展狀態(tài)看，當前運營商個性化推薦正在從半個性化推薦前期向后期過渡，這也是本文重點闡述的主題。

（3）個性化推薦階段

該階段以技術(shù)驅(qū)動為標識，也就是基于人工智能的深度學(xué)習(xí)。從業(yè)務(wù)場景上看，客戶長期以來一直有“千人千面，一客一策”的業(yè)務(wù)營銷訴求，但是由于技術(shù)原因，一直沒有采用這種方式提高營銷能力。當前隨著人工智能技術(shù)的重大突破，通過機器的自學(xué)習(xí)，構(gòu)建以“深度學(xué)習(xí)”為核心的智能營銷已然成為新的趨勢。深度學(xué)習(xí)已經(jīng)不需要業(yè)務(wù)專家做用戶特征分析，只需要一般業(yè)務(wù)人員能夠把特征識別出來并獲取到數(shù)據(jù)，同時從一個領(lǐng)域遷移到另一個領(lǐng)域的代價也變小了，但是也有一個挑戰(zhàn)，就是對系統(tǒng)和算法的設(shè)計需要優(yōu)秀的科學(xué)家或工程師[4,5]。

3 個性化推薦實現(xiàn)原理和流程

3.1 個性化推薦實現(xiàn)原理

個性化推薦解決了在合適的場景、合適的時機，通過合適的渠道，把合適的內(nèi)容推薦給合適的用戶的問題。個性化推薦原理如圖1所示，個性化推薦由用戶的接觸事件發(fā)起，根據(jù)用戶的接觸事件，找到匹配的用戶和場景，然后通過推薦算法找到適合的推薦產(chǎn)品，接著營銷接觸頻次控制進行過濾，最后由營銷渠道把推薦信息推送給用戶。

圖1 個性化推薦實現(xiàn)原理

個性化推薦主要包含4個方面的內(nèi)容：推薦算法、推薦引擎、任務(wù)調(diào)度、系統(tǒng)管理。各個模型相互協(xié)作，實現(xiàn)個性化推薦服務(wù)，如圖2所示。

個性化推薦引擎把常用的推薦算法預(yù)置到系統(tǒng)內(nèi)，供個性化推薦營銷調(diào)用，其算法是核心，而引擎進行了算法服務(wù)化。例如，特征相似推薦算法、內(nèi)容協(xié)同推薦算法、用戶協(xié)同推薦算法、判別樹算法、用戶偏好推薦算法等，表1列舉了幾個常用算法[6]。

3.2 個性化推薦實現(xiàn)流程

個性化推薦的計算模型構(gòu)建在云化ETL、統(tǒng)一調(diào)度引擎、數(shù)據(jù)挖掘和流式數(shù)據(jù)處理之上，當新增商品類型推薦時，基于用戶的元數(shù)據(jù)定義、數(shù)據(jù)源引入、推薦算法配置、推薦位配置等推薦策略生成推薦列表，供外部系統(tǒng)調(diào)用。

一個完整的個性化推薦場景，需要數(shù)據(jù)分析師與業(yè)務(wù)人員的參與。數(shù)據(jù)分析師配置元數(shù)據(jù)、數(shù)據(jù)源、算法模型、推薦位等信息，業(yè)務(wù)人員則根據(jù)實際業(yè)務(wù)配置推薦范圍、人工推薦列表、分流規(guī)則等。個性化推薦的完整營銷活動設(shè)計流程如圖3所示，營銷管理（campaign management）負責(zé)個性化推薦策略的配置、管理；策略中心（policy center）負責(zé)個性化推薦策略的解析、執(zhí)行；推薦引擎（recommend engine）負責(zé)同步推薦數(shù)據(jù)，基于算法和模型計算推薦的產(chǎn)品列表，并進行服務(wù)封裝，把結(jié)果返回營銷管理。營銷管理根據(jù)配置的個性化推薦策略進行調(diào)度執(zhí)行，將推薦產(chǎn)品信息推送給用戶。

圖2 個性化推薦核心模塊介紹

表1 推薦算法舉例

下面以商品智能推薦為例，介紹商品推薦計算配置流程。

（1）商品元數(shù)據(jù)配置

運營商新增商品類別時，需要基于新商品的特征計算特征相似度，并基于用戶對商品的行為計算協(xié)同推薦。因此，需要提前定義商品元數(shù)據(jù)。個性化推薦引擎涉及的元數(shù)據(jù)有內(nèi)容元數(shù)據(jù)、行為元數(shù)據(jù)、第三方接入元數(shù)據(jù)等。

（2）數(shù)據(jù)源接入配置

個性化推薦引擎執(zhí)行推薦任務(wù)時，依賴于接入數(shù)據(jù)源獲取業(yè)務(wù)系統(tǒng)上傳的商品數(shù)據(jù)、用戶行為數(shù)據(jù)等。因此，需要數(shù)據(jù)源接入，涉及的數(shù)據(jù)源有內(nèi)容數(shù)據(jù)源、行為數(shù)據(jù)源、第三方接入數(shù)據(jù)源等。

（3）算法模型配置

個性化推薦引擎通過算法模型配置，將具體的推薦算法與數(shù)據(jù)模型、數(shù)據(jù)源關(guān)聯(lián)，封裝成實際的推薦服務(wù)。

（4）推薦位配置

不同的運營位需要呈現(xiàn)不同的個性化推薦策略，個性化推薦引擎需要推薦位與算法模型進行關(guān)聯(lián)，明確推薦位使用的推薦服務(wù)，同時推薦位編碼與業(yè)務(wù)系統(tǒng)中的實際推薦位需要一一對應(yīng)，業(yè)務(wù)系統(tǒng)根據(jù)推薦位編碼請求對應(yīng)的推薦數(shù)據(jù)。

圖3 個性化推薦系統(tǒng)流程

（5）推薦規(guī)則配置

推薦規(guī)則是多種多樣的，幾種推薦規(guī)則在一起，需要對推薦規(guī)則進行約定，如先“排序規(guī)則”，后“主推規(guī)則”，再“不足補齊規(guī)則”等，并按順序返回推薦結(jié)果。其中，“主推規(guī)則”是指選擇算法模型并配置權(quán)重，配置推薦位首選的算法數(shù)據(jù)。配置多個算法模型時，應(yīng)確認推薦順序。為了系統(tǒng)的靈活性，可以設(shè)置“系統(tǒng)自動調(diào)整融合比例”，由自優(yōu)化模型根據(jù)用戶對推薦結(jié)果的響應(yīng)自動調(diào)整推薦算法的融合比例。

個性化推薦可以擴展推薦能力，如業(yè)務(wù)人員在創(chuàng)建推薦方案時可以配置推薦范圍、人工推薦列表、分流規(guī)則等。

? ? 推薦范圍：基于內(nèi)容元數(shù)據(jù)的屬性規(guī)則進行分組，限定推薦位的推薦范圍，使某個推薦位的實際推薦結(jié)果更具體。

? ? 人工推薦列表：針對當前的推薦效果調(diào)整推薦策略，如針對運營商主推的新增商品配置人工推薦列表。

? ?? 分流規(guī)則：針對同一個推薦位，不同用戶采用不同推薦策略。

（6）個性化推薦執(zhí)行

推薦策略發(fā)布后，個性化推薦引擎會自動拉起后臺算法任務(wù)，完成計算后將計算結(jié)果數(shù)據(jù)寫入內(nèi)存庫。當業(yè)務(wù)系統(tǒng)上報推薦請求時，根據(jù)請求消息中的推薦位編碼與算法模型的關(guān)聯(lián)關(guān)系，個性化推薦引擎會返回對應(yīng)的推薦數(shù)據(jù)。

4 個性化推薦使用場景

個性化推薦算法封裝后，通過導(dǎo)入不同的數(shù)據(jù)，將會產(chǎn)生不同的推薦場景，運營商可做的個性化推薦場景，包括數(shù)字內(nèi)容推薦、錯誤導(dǎo)航以及視頻推薦等。

（1）場景1：數(shù)字內(nèi)容推薦

對接掌上營業(yè)廳、互聯(lián)網(wǎng)、咪咕等系統(tǒng)，當用戶訪問某個頁面時，在頁面的某個區(qū)域（推薦位）顯示和當前用戶以及當前訪問相關(guān)的推薦信息。

（2）場景2：錯誤導(dǎo)航

當用戶訪問運營商網(wǎng)絡(luò)失?。ňW(wǎng)站不存在、網(wǎng)絡(luò)錯誤、超時等），根據(jù)當前用戶、訪問目標網(wǎng)站、錯誤信息給出相應(yīng)的推薦信息。

（3）場景3：視頻推薦

當用戶在IPTV系統(tǒng)中查看要訪問的節(jié)目時，根據(jù)用戶歷史訪問的視頻，與當前視頻和其他視頻的相關(guān)性，顯示推薦的視頻節(jié)目。

圖4 個性化推薦使用場景

如圖4所示，以基于數(shù)字業(yè)務(wù)內(nèi)容的個性化推薦為例，個性化推薦使用場景處理步驟如下：

步驟1 用戶通過網(wǎng)上營業(yè)廳/掌上營業(yè)廳/移動商城/微信公眾號等渠道，搜索/瀏覽游戲、音樂、視頻等數(shù)字內(nèi)容業(yè)務(wù)；

步驟2 通過Web前端插碼，檢測到用戶搜索或者瀏覽網(wǎng)頁的操作行為，實時將該事件反饋給營銷管理；

步驟3 該事件實時觸發(fā)數(shù)字內(nèi)容營銷活動，判斷該用戶是否屬于該營銷活動的目標用戶；

步驟4 營銷管理根據(jù)推薦模型，匹配用戶訪問或搜索的內(nèi)容信息，結(jié)合用戶的數(shù)據(jù)內(nèi)容偏好、產(chǎn)品標簽信息，系統(tǒng)為用戶推薦一個或多個數(shù)字內(nèi)容產(chǎn)品；

步驟5 系統(tǒng)通過用戶訪問的渠道將推薦結(jié)果反饋給用戶；

步驟6 基于收集渠道反饋的營銷結(jié)果數(shù)據(jù)進行分析統(tǒng)計，實現(xiàn)營銷監(jiān)控與評估。

5 結(jié)束語

運營商面臨的運營壓力和客戶過度打擾帶來的不良體驗，都需要開展精準的個性化推薦來解決，通過向客戶個性化推薦產(chǎn)品信息，吸引客戶使用、購買推薦產(chǎn)品，幫助運營商提升ARPU和客戶黏性。此外，運營商根據(jù)推薦價值和效果評估結(jié)果，動態(tài)調(diào)整產(chǎn)品推薦規(guī)則，提升推薦準確率，實現(xiàn)對有需求的潛在用戶直接觸發(fā)，提升意向群體的購買轉(zhuǎn)化率，增加運營商收益。

對用戶來說，無需面對浩瀚信息，也無需刻意搜索，便可快速獲取感興趣的內(nèi)容。不感興趣的內(nèi)容則被屏蔽，客戶體驗自然得到提升。

暢想未來，數(shù)字化技術(shù)深入人們的生活、工作、社交，對每個人進行數(shù)據(jù)量化和管理，為個性化推薦提供了應(yīng)用基礎(chǔ)；同時，大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，特別是人工智能的火熱勢頭，對個性化推薦能力和應(yīng)用提供了更有力的支撐，實現(xiàn)真正“千人千面，一客一策”的個性化推薦營銷。

面向未來，個性化推薦還有兩個方面的課題需要研究和思考。一方面，運營商個性化推薦系統(tǒng)如何充分利用運營商自身優(yōu)點，如多數(shù)據(jù)中心資源、大網(wǎng)絡(luò)帶寬，進一步整合渠道、深化信息處理能力等是個性化推薦的新課題。另一方面，用戶每天從各種渠道接觸到大量信息，用戶已從最初的驚喜變得無所適從，如何幫助用戶過濾無關(guān)消息、篩選價值信息，是個性化推薦面臨的挑戰(zhàn)與重要機遇。

[1] 吳軍. 大數(shù)據(jù)和機器智能對未來社會的影響[J]. 電信科學(xué), 2015, 31(2): 7-16.

WU J. Big data, machine intelligence and their impacts to the future world [J]. Telecommunications Science, 2015, 31(2): 7-16.

[2] 漆晨曦. 立足小數(shù)據(jù)基礎(chǔ)的電信企業(yè)大數(shù)據(jù)分析應(yīng)用發(fā)展策略[J]. 電信科學(xué), 2014, 30(10): 15-20.

QI C X. Analysis and application development strategy of telecom enterprise big data based on small data [J]. Telecommunications Science, 2014, 30(10): 15-20.

[3] 童曉渝, 張云勇, 房秉毅, 等. 大數(shù)據(jù)時代電信運營商的機遇[J]. 信息通信技術(shù), 2013(1): 5-9.

TONG X Y, ZHANG Y Y, FANG B Y, et al. Opportunities and strategies to adopt big data for telecom operators[J]. Information and Communications Technology, 2013(1): 5-9.

[4] 劉春, 鄒海鋒, 向勇. 大數(shù)據(jù)環(huán)境下電信數(shù)據(jù)服務(wù)能力開放研究[J]. 電信科學(xué), 2014, 30(3): 156-161.

LIU C, ZOU H F, XIANG Y, et al. Research on telecom data service open ability under the environment of big data[J]. Telecommunications Science, 2014, 30(3): 156-161.

[5] 尤海浪, 錢鋒, 黃祥為, 等. 基于大數(shù)據(jù)挖掘構(gòu)建游戲平臺個性化推薦系統(tǒng)的研究與實踐[J]. 電信科學(xué), 2014, 30(10): 27-32.

YOU H L, QIAN F, HUANG X W, et al. Research and practice of building a personalized recommendation system for mobile game platform based on big data mining[J]. Telecommunications Science, 2014, 30(10): 27-32.

[6] HE P. The research on personalized recommendation algorithm of library based on big data and association rules[J]. Open Cybernetics & Systemics Journal, 2015,9(1): 2554-2558.

Personalized recommendation helps carrier’s digital marketing

MA Chunyu, WANG Junlin, WANG Baowang, GAN Bohua

Huawei Technologies Co., Ltd., Shenzhen 518129, China

The challenge and demands of telecom operator’ digital marketing were briefly analyzed, the advantages of internet thought were also drawled and then the personalized recommendations were proposed to help telecom operator’s digital marketing, and the history of carrier’s personalized recommendation was introduced. Then the principle and implementation process of telecom operator’s personalized recommendation which bases on carrier merchandise, user behavior data and the computing ability of big data platform was described. Finally, the implementation scenario of personalized recommendation in telecom operator digital content business was described, and the value and future of personalized recommendation have prospected.

personalized recommendation, telecom operator, big data, digital marketing

TN929.5

A

10.11959/j.issn.1000?0801.2018033

2017?12?10；

2018?01?06

馬春宇（1973?）男，華為技術(shù)有限公司高級營銷經(jīng)理，主要從事運營商業(yè)務(wù)建設(shè)和規(guī)劃、大數(shù)據(jù)方案規(guī)劃、數(shù)字化營銷方案規(guī)劃和個性化推薦運營方案規(guī)劃等工作。

王軍林（1980?），男，博士，華為技術(shù)有限公司中國區(qū)運營商BG大數(shù)據(jù)商業(yè)解決方案部部長，主要研究方向為BI（商業(yè)智能）及大數(shù)據(jù)業(yè)務(wù)，在業(yè)務(wù)拓展、市場營銷方面有著多年的實踐積累。

王寶旺（1976?），男，華為技術(shù)有限公司中國地區(qū)部大數(shù)據(jù)解決方案設(shè)計團隊leader，長期從事電信行業(yè)經(jīng)營分析系統(tǒng)、大數(shù)據(jù)平臺的建設(shè)工作，涉及項目管理、業(yè)務(wù)方案和系統(tǒng)設(shè)計。

甘波華（1991?），男，華為技術(shù)有限公司大數(shù)據(jù)產(chǎn)品解決方案經(jīng)理，主要從事大數(shù)據(jù)分析、數(shù)字化營銷行業(yè)解決方案設(shè)計等工作。