阿里云用户增长产品技术揭秘
阿里云 计算平台PAI产研 团 队 AI用户增长全图 核心评分算法能力 专属数据优势 全链路触达 PAI算法能力为客户训练专属评分模型，实现用户预测和人群筛选，反哺业务决策 云通信短信服务，打通算法结果实现敏捷营销触达，回收投放结果，持续优化模型 友盟，云通信等三方数据解决数据稀疏问题，实现用户洞察与细分 PAI用户增长场景化方案 用户召回分析 购买意向预测 用户生命周期细分 •通过用户的静态数据和动态数据计算用户的付费意愿•该产品通过模型计算，找出有最有消费潜力、付费意愿最高的的20%左右的人群•在使用相同的运营手段触达的情况下，模型选出的人群消费数据高于人工策略结果的32%左右。 •预测用户不同的生命周期，从而对处在不同生命周期的用户进行分策略的精细化运营•用户流失预测，对即将流失的用户进行运营干预•通过模型可视化，找到用户改变生命周期的关键行为，并根据该行为进行运营活动 •通过运营策略圈选出待召回人群，运营只能通过经验判断，成本高，召回率低•算法通过计算人群行为数据，为业务进行专属模型定制•经验证，由模型选出的人群，在被触达之后被召回的概率比运营策略选出的概率高出18%。 辅助运营决策 1.客户痛点 3.客户案例 2.解决方案 •某在线教育客户，想改进试听课程提升正式课程的购买率，但对试听课程的改进方向无法确定，时长？内容？形式？•通过模型可视化展现关键行为发现，在试听课上举过手的人，正式课程购买率更高 •同时有两个运营方案，只能推进一个，选哪个？•哪个营销内容是最能打动用户做出行为转变的？•决定营销效果的关键行为到底是哪个？ •通过模型可视化功能将算法决策过程可视化展示•展示特征排序和显著人群的特征，找到某个关键行为的原因 模型给出答案 运营方案无法决策？ 用户试用满意 二、重点功能介绍 1、个性化文案2、个性化发送时间 个性化发送时间 用户的活跃分布会影响发送的召回成功率。 •根据用户的行为记录来获取不同用户的自然活跃度分布•分析每日召回成功用户中不同活跃度分布的用户相比自然分布的变化•相比自然活跃度分布提升最大的用户群体为最适合该发送策略的用户群体 在创建发送计划时选择智能发送，并确定发送时间范围，算法自动为每个用户挑选最活跃时间进行个性化触达 个性化文案 2.【标签兴趣】：通过在资料中填写的静态特征，进行模板填空，提升定制化体验 三、数据合作方案介绍 1、云通信2、友盟 1.1. PAI&云通信短信全新方案 自身数据建模的弱势 •使用客户业务数据，敏感度高•数据要求字段复杂，客户准备/开发周期长•对接流程较长，需要客户改造发送短信链路 结合云通信数据建模的优势 •客户仅上传发送/转化手机号记录，敏感度低•复用云通信接口，增加模型筛选参数，使用简单•可结合客户特征&云通信特征，效果空间更大 云通信&PAI合作空间 •自有免费或三方付费push•成本低，效果最差•不支持新客•价格战激烈•通常作为信息流的补充•用户打扰度高，相对小众•只在高客单价，销售型行业应用 •营销短信逐渐成为信息流必备的补充营销手段•流量型产品价格战竞争激烈，成本压力大•以云通信海量发送记录、PAI算法能力为基础，构建无效短信过滤能力。•提升客户短信投入ROI，竞争短信占客户整体营销预算比例，做大短信市场总体份额。•差异化能力竞争，避免单纯价格战。 最终合作收益 2.1友盟数据价值 长流失人群召回 新用户价值判断 •缺乏对新用户的相应的特征收集，无法做到有效触达•通过友盟数据，和客户少量正样本进行模型训练•对客户新用户进行全局打分，并按照新客户质量高低进行排序 •长流失用户数据稀疏，不满足基础的建模要求•通过友盟全域数据补充长流式用户特征，并进行模型训练•判断长流失用户价值，筛选合适的长流失人群进行触达 四、核心技术 数据与算法工程链路 已有沉淀 •一套domain-agnostic的有效特征&模型组合•一套自动化的特征分析、建模调优、模型部署和效果预估的工具链 应对多种场景需求 •客户提供特征与标签，如：用户召回、人货匹配•客户仅提供标签，如：拉新、RTA、人群放大•客户无需提供数据资产，如：智能人群包 某客户的差异化场景召回 差异化场景改造 引入分层时间衰减函数&重排 三方数据技术难点 科学问题 •大特征、小样本下的有效学习•带噪、不平衡数据下的鲁棒学习•面向搜广推领域的建模Bias 解决方案 •特征的分类、自动交叉与筛选•预训练无偏代理任务•构建垂直场景模型 五、客户案例 典型案例分析 客户介绍： 客户是一款视频恋爱相亲App，产品提供实时视频互动和相亲场景，用户可以在该app上认识喜欢的人，发送文字消息、语音、照片以及视频实时互动进行恋爱相亲。自面世以来深受广大用户喜爱，累积了大量用户数据 需求分析 产品方案 •通过算法计算，给用户自然回流做一个打分，筛选掉自然回流率高的客户•在自然回流率低的用户里圈选出被触达后最容易被召回的对象•个性化发送时间功能，预估出用户活跃时间，进行触达，提高短信打开率 •用户数据量很大，但是沉默客户数众多，想要通过短信召回客户•想要筛选掉会自然回流的客户，降低运营成本•想根据用户使用习惯进行个性化触达，但是无法做出有效判断 最终结果：百万条短信召回效果提升100%，变相为客户降低成本1倍左右。 典型案例分析 客户背景： 业务痛点： 随着用户数量的增长，运营成本的提升，需要帮助客户更快地识别哪些用户能够快速带来业务增量，降低用户运营成本 客户是一款专为5-15岁青少年提供学习服务的App， 发展迅速，快速累积大量用户 痛点分析 高效低成本 除数据对接外无其他开发成本，从开始对获得计算结果使用仅用了数周 典型案例分析 客户介绍： 客户一款深受年轻人喜爱的社交APP，是基于兴趣图谱建立关系，并以游戏化玩法进行产品设计的Z世代的社交平台。 需求分析 产品方案 •基于云通信发送记录和客户提供的少量样本进行训练，构建无效短信过滤精准模型•模型能够实现过滤每日20%的发送量，保证>95%的转化。实现了整体发送量大幅降低，但是保证转化率•三方数据使用大大减少客户数据准备时间，提升整个服务方案效率 •用户每日短信发送量很大，业务指标看中短信发送效果的整体ROI，不止是单价•需要过滤无效/高投诉率的流量，但是需要保证相同的业务效果•内部数据安全要求高，无法为建模提供足够的数据
