個性化推薦助力運營商數字化營銷

馬春宇，王軍林，王寶旺，甘波華

?

個性化推薦助力運營商數字化營銷

馬春宇，王軍林，王寶旺，甘波華

（華為技術有限公司，廣東 深圳 518129）

簡要分析電信運營商數字化營銷的挑戰與訴求，吸取互聯網思維優勢，提出個性化推薦助力運營商數字化營銷，并介紹運營商個性化推薦的發展歷程。描述基于運營商產品、用戶行為數據以及大數據平臺計算能力，探索運營商個性化推薦營銷實現原理和實現流程。最后，講述了個性化推薦在數字化營銷中實現的場景，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；大數據；數字化營銷

1 引言

隨著智能手機和移動互聯網的飛速發展，運營商數據爆炸式增長。大數據時代來臨，企業如何利用好數據，實現更精細化運營、更好服務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，從批量營銷到實時/事件營銷，從粗放式營銷到精準營銷。經過十多年的發展，運營商營銷能力不斷提升，以滿足高效、精準、實時的營銷服務需求[1]。

移動互聯網時代，用戶每天面對著海量音頻、資訊、商品等產品，用戶很難在海量信息中快速搜索自己感興趣的產品。對于企業而言，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勢而生。其應用領域已推廣到商品銷售、服務、新聞資訊等生活的方方面面。

伴隨移動互聯網的發展，Amazon作為第一家將推薦引擎引入電子商務的企業，據VentureBeat統計，Amazon的推薦系統為其提供了35%的商業銷售額。還有淘寶網、今日頭條、Netflix等互聯網公司，它們基于用戶歷史數據挖掘、用戶偏好特征識別、精準推薦合適產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。

人口紅利已經消失殆盡，而流量紅利并沒有扭轉運營商收入、利潤下滑的趨勢。數據紅利時代遲遲未到，運營商還需要在本業務上下工夫。

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、信息和內容過量，用戶喜好無法準確定，多業務的混合推薦無法有效支撐等問題，傳統營銷模式束手無策。應向互聯網企業學習，學習互聯網思維，引入個性化推薦，以期提升營銷效率[2,3]。

2 個性化推薦的發展歷程

根據運營商數字化營銷的個性化推薦發展，可劃分為3個階段。

（1）零個性化推薦階段

該階段運營商業務快速增長，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”式的粗放營銷，營銷人員以經驗為主，構建以“規則”驅動的商業營銷。過程中主要依據業務人員的經驗，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，隨著用戶數的飽和，“廣撒網”營銷方式成本較高且資源浪費嚴重，已經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，運營商業務也呈現復雜化發展，廣撒網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。本階段已開始構建以“算法”為推薦引擎的數字化營銷。采用的算法主要是熱點推薦、客戶相似度推薦、產品相似度推薦、內容關聯推薦和決策樹推薦。主要學習Amazon、Netflix等互聯網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，例如需要領域專家來設計特征，很難將一個領域的成功經驗復制到另一個領域。從發展狀態看，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

該階段以技術驅動為標識，也就是基于人工智能的深度學習。從業務場景上看，客戶長期以來一直有“千人千面，一客一策”的業務營銷訴求，但是由于技術原因，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的重大突破，通過機器的自學習，構建以“深度學習”為核心的智能營銷已然成為新的趨勢。深度學習已經不需要業務專家做用戶特征分析，只需要一般業務人員能夠把特征識別出來并獲取到數據，同時從一個領域遷移到另一個領域的代價也變小了，但是也有一個挑戰，就是對系統和算法的設計需要優秀的科學家或工程師[4,5]。

3 個性化推薦實現原理和流程

3.1 個性化推薦實現原理

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起，根據用戶的接觸事件，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 個性化推薦實現原理

個性化推薦主要包含4個方面的內容：推薦算法、推薦引擎、任務調度、系統管理。各個模型相互協作，實現個性化推薦服務，如圖2所示。

個性化推薦引擎把常用的推薦算法預置到系統內，供個性化推薦營銷調用，其算法是核心，而引擎進行了算法服務化。例如，特征相似推薦算法、內容協同推薦算法、用戶協同推薦算法、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 個性化推薦實現流程

個性化推薦的計算模型構建在云化ETL、統一調度引擎、數據挖掘和流式數據處理之上，當新增商品類型推薦時，基于用戶的元數據定義、數據源引入、推薦算法配置、推薦位配置等推薦策略生成推薦列表，供外部系統調用。

一個完整的個性化推薦場景，需要數據分析師與業務人員的參與。數據分析師配置元數據、數據源、算法模型、推薦位等信息，業務人員則根據實際業務配置推薦范圍、人工推薦列表、分流規則等。個性化推薦的完整營銷活動設計流程如圖3所示，營銷管理（campaign management）負責個性化推薦策略的配置、管理；策略中心（policy center）負責個性化推薦策略的解析、執行；推薦引擎（recommend engine）負責同步推薦數據，基于算法和模型計算推薦的產品列表，并進行服務封裝，把結果返回營銷管理。營銷管理根據配置的個性化推薦策略進行調度執行，將推薦產品信息推送給用戶。

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）商品元數據配置

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同推薦。因此，需要提前定義商品元數據。個性化推薦引擎涉及的元數據有內容元數據、行為元數據、第三方接入元數據等。

（2）數據源接入配置

個性化推薦引擎執行推薦任務時，依賴于接入數據源獲取業務系統上傳的商品數據、用戶行為數據等。因此，需要數據源接入，涉及的數據源有內容數據源、行為數據源、第三方接入數據源等。

（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據模型、數據源關聯，封裝成實際的推薦服務。

（4）推薦位配置

不同的運營位需要呈現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聯，明確推薦位使用的推薦服務，同時推薦位編碼與業務系統中的實際推薦位需要一一對應，業務系統根據推薦位編碼請求對應的推薦數據。

圖3 個性化推薦系統流程

（5）推薦規則配置

推薦規則是多種多樣的，幾種推薦規則在一起，需要對推薦規則進行約定，如先“排序規則”，后“主推規則”，再“不足補齊規則”等，并按順序返回推薦結果。其中，“主推規則”是指選擇算法模型并配置權重，配置推薦位首選的算法數據。配置多個算法模型時，應確認推薦順序。為了系統的靈活性，可以設置“系統自動調整融合比例”，由自優化模型根據用戶對推薦結果的響應自動調整推薦算法的融合比例。

個性化推薦可以擴展推薦能力，如業務人員在創建推薦方案時可以配置推薦范圍、人工推薦列表、分流規則等。

? ? 推薦范圍：基于內容元數據的屬性規則進行分組，限定推薦位的推薦范圍，使某個推薦位的實際推薦結果更具體。

? ? 人工推薦列表：針對當前的推薦效果調整推薦策略，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）個性化推薦執行

推薦策略發布后，個性化推薦引擎會自動拉起后臺算法任務，完成計算后將計算結果數據寫入內存庫。當業務系統上報推薦請求時，根據請求消息中的推薦位編碼與算法模型的關聯關系，個性化推薦引擎會返回對應的推薦數據。

4 個性化推薦使用場景

個性化推薦算法封裝后，通過導入不同的數據，將會產生不同的推薦場景，運營商可做的個性化推薦場景，包括數字內容推薦、錯誤導航以及視頻推薦等。

（1）場景1：數字內容推薦

對接掌上營業廳、互聯網、咪咕等系統，當用戶訪問某個頁面時，在頁面的某個區域（推薦位）顯示和當前用戶以及當前訪問相關的推薦信息。

（2）場景2：錯誤導航

當用戶訪問運營商網絡失敗（網站不存在、網絡錯誤、超時等），根據當前用戶、訪問目標網站、錯誤信息給出相應的推薦信息。

（3）場景3：視頻推薦

當用戶在IPTV系統中查看要訪問的節目時，根據用戶歷史訪問的視頻，與當前視頻和其他視頻的相關性，顯示推薦的視頻節目。

圖4 個性化推薦使用場景

如圖4所示，以基于數字業務內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 用戶通過網上營業廳/掌上營業廳/移動商城/微信公眾號等渠道，搜索/瀏覽游戲、音樂、視頻等數字內容業務；

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

步驟3 該事件實時觸發數字內容營銷活動，判斷該用戶是否屬于該營銷活動的目標用戶；

步驟4 營銷管理根據推薦模型，匹配用戶訪問或搜索的內容信息，結合用戶的數據內容偏好、產品標簽信息，系統為用戶推薦一個或多個數字內容產品；

步驟5 系統通過用戶訪問的渠道將推薦結果反饋給用戶；

步驟6 基于收集渠道反饋的營銷結果數據進行分析統計，實現營銷監控與評估。

5 結束語

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品信息，吸引客戶使用、購買推薦產品，幫助運營商提升ARPU和客戶黏性。此外，運營商根據推薦價值和效果評估結果，動態調整產品推薦規則，提升推薦準確率，實現對有需求的潛在用戶直接觸發，提升意向群體的購買轉化率，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容。不感興趣的內容則被屏蔽，客戶體驗自然得到提升。

暢想未來，數字化技術深入人們的生活、工作、社交，對每個人進行數據量化和管理，為個性化推薦提供了應用基礎；同時，大數據和人工智能技術的發展，特別是人工智能的火熱勢頭，對個性化推薦能力和應用提供了更有力的支撐，實現真正“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如何充分利用運營商自身優點，如多數據中心資源、大網絡帶寬，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消息、篩選價值信息，是個性化推薦面臨的挑戰與重要機遇。

[1] 吳軍. 大數據和機器智能對未來社會的影響[J]. 電信科學, 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. 立足小數據基礎的電信企業大數據分析應用發展策略[J]. 電信科學, 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. 大數據時代電信運營商的機遇[J]. 信息通信技術, 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. 大數據環境下電信數據服務能力開放研究[J]. 電信科學, 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. 基于大數據挖掘構建游戲平臺個性化推薦系統的研究與實踐[J]. 電信科學, 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，華為技術有限公司高級營銷經理，主要從事運營商業務建設和規劃、大數據方案規劃、數字化營銷方案規劃和個性化推薦運營方案規劃等工作。

王軍林（1980?），男，博士，華為技術有限公司中國區運營商BG大數據商業解決方案部部長，主要研究方向為BI（商業智能）及大數據業務，在業務拓展、市場營銷方面有著多年的實踐積累。

王寶旺（1976?），男，華為技術有限公司中國地區部大數據解決方案設計團隊leader，長期從事電信行業經營分析系統、大數據平臺的建設工作，涉及項目管理、業務方案和系統設計。

甘波華（1991?），男，華為技術有限公司大數據產品解決方案經理，主要從事大數據分析、數字化營銷行業解決方案設計等工作。