運(yùn)營(yíng)朝著智能化、自動(dòng)化的方向發(fā)展，作為運(yùn)營(yíng)人也要跟隨時(shí)代的發(fā)展在方法論上做到與時(shí)俱進(jìn)。

估計(jì)現(xiàn)在被大家提起的新事物都是一些與技術(shù)相關(guān)的事物，畢竟他們都能真真切切地改變我們的生活、學(xué)習(xí)、工作的習(xí)慣。當(dāng)你今天在淘寶京東瀏覽過(guò)手機(jī)商城時(shí)，明天你的瀏覽器、手機(jī)推送都是關(guān)于買手機(jī)的消息。當(dāng)你今天從某地到某地時(shí)，第二天手機(jī)就能知道你距離某個(gè)地方多遠(yuǎn)，以及告訴你需要多久可以到達(dá)某地。當(dāng)你今天瀏覽完今日頭條的某條娛樂(lè)新聞，明天你就能最先知道哪個(gè)明星又離婚出軌了。

這都是技術(shù)在發(fā)展，時(shí)代在進(jìn)步，而洞察你的一切，正是背后的大數(shù)據(jù)通過(guò)分析得出你全部行為。而背后的操縱者（運(yùn)營(yíng)）也是通過(guò)這些數(shù)據(jù)，精準(zhǔn)得知關(guān)于你的一切。推薦你喜歡，以及不知道的一切事物。

作為運(yùn)營(yíng)人，我們的工作重點(diǎn)也在慢慢發(fā)生變化，能力要求也在時(shí)刻更新著。

算法推薦如何工作

推薦算法在不同類型的互聯(lián)網(wǎng)公司中廣泛應(yīng)用，也從側(cè)面印證了推薦算法對(duì)于實(shí)際業(yè)務(wù)具有極強(qiáng)的推動(dòng)能力。你在網(wǎng)購(gòu)時(shí)看見的“您可能感興趣的商品”、聽音樂(lè)時(shí)遇到的“您可能喜歡的歌曲”、刷微博時(shí)被推薦的關(guān)注對(duì)象、獲取資訊時(shí)被推薦的頁(yè)面，這一切的背后都正是推薦算法在起作用。

當(dāng)你在線上的瀏覽行為，都已經(jīng)被背后的算法系統(tǒng)記錄下來(lái)，并且時(shí)刻在背后分析著，當(dāng)你第二次瀏覽同樣一個(gè)網(wǎng)站時(shí)，你所喜歡，所關(guān)聯(lián)的都會(huì)被推薦在你的眼前。

算法的分類

分類算法：

我們做電商平臺(tái)，用戶留存是很重要的一部分，但顧客流失走向我們是無(wú)法控制的，只能通過(guò)預(yù)測(cè)，這時(shí)就需要運(yùn)用到分類模型。分類算法屬于預(yù)測(cè)性模型，根據(jù)過(guò)去數(shù)據(jù)、分析來(lái)預(yù)測(cè)將來(lái)一段時(shí)間的行為過(guò)程。分類學(xué)習(xí)方法所使用的數(shù)據(jù)集稱為訓(xùn)練集，訓(xùn)練集中每一個(gè)個(gè)體都有明確的類別，通過(guò)訓(xùn)練集中的數(shù)據(jù)表現(xiàn)出來(lái)的特征，為每一個(gè)類找到一種準(zhǔn)確的描述或者模型。其優(yōu)點(diǎn)是容易理解、預(yù)測(cè)準(zhǔn)確度高

舉個(gè)例子：高爾夫球場(chǎng)，這個(gè)跟天氣情況關(guān)系密切，因?yàn)榍捌诘臄?shù)據(jù)分析，得出天氣是否晴朗，氣溫如何，濕度如何、風(fēng)力如何都會(huì)影響到打高爾夫球場(chǎng)的人，因此，作為一個(gè)高爾夫球場(chǎng)的運(yùn)營(yíng)人員便可以根據(jù)分類模型，去構(gòu)建決策樹，不同的天氣因素，決定是否開放等。

聚類算法：

說(shuō)完分類算法，談?wù)劸垲悾垲愃惴ㄖ饕前凑諛颖?、?shù)據(jù)自身的屬性去歸類，用數(shù)學(xué)方法根據(jù)相似性或差異性指標(biāo)，定量確定樣本親疏關(guān)系。

舉個(gè)例子：電商公司想要新進(jìn)一批高端服裝，但究竟進(jìn)什么款式等，這需要根據(jù)消費(fèi)群體特征來(lái)分類，首先需要從上一年的數(shù)據(jù)，查看顧客購(gòu)買行為、消費(fèi)額、購(gòu)買時(shí)間等通過(guò)聚類方法進(jìn)行分類，找出每類群體的特征，然后根據(jù)這類群體進(jìn)行相應(yīng)的推送，而不是廣撒網(wǎng)模式。

關(guān)聯(lián)算法：

關(guān)聯(lián)分析是從大量數(shù)據(jù)中發(fā)現(xiàn)樣本之間有趣的關(guān)聯(lián)和關(guān)系，從而為用戶推送。而我們常見的電商平臺(tái)，“為你推薦”、“購(gòu)買該產(chǎn)品的用戶還購(gòu)買了”等都屬于關(guān)聯(lián)分析，其依據(jù)就是通過(guò)分析之前購(gòu)買產(chǎn)品的顧客的購(gòu)物籃分析，分析顧客的購(gòu)買習(xí)慣，可以幫助零售商制定營(yíng)銷策略。

推薦的本質(zhì)

推薦和搜索本質(zhì)有相似的地方。搜索滿足用戶從海量數(shù)據(jù)中迅速找到自己感興趣內(nèi)容的需求，屬于用戶主動(dòng)獲取。推薦則是系統(tǒng)從海量數(shù)據(jù)中根據(jù)獲取到的用戶數(shù)據(jù)，猜測(cè)用戶感興趣的內(nèi)容并推薦給用戶，屬于系統(tǒng)推薦給用戶。本質(zhì)上都是為了在這個(gè)信息過(guò)載的時(shí)代，幫助用戶找到自己感興趣的東西。

算法推薦在產(chǎn)品運(yùn)營(yíng)的運(yùn)用

在電商網(wǎng)站里進(jìn)行商品推薦，可以提高整個(gè)網(wǎng)站商品銷售的有效轉(zhuǎn)化率，增加商品銷量。通過(guò)用戶已經(jīng)瀏覽、收藏、購(gòu)買的記錄，更精準(zhǔn)的理解用戶需求，對(duì)用戶進(jìn)行聚類、打標(biāo)簽，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時(shí)放大需求，售賣更加多樣化的商品。甚至在站外推廣時(shí)，能夠做個(gè)性化營(yíng)銷。商品推薦主要可以分為常規(guī)推薦、個(gè)性化推薦。

常規(guī)推薦是指商家選擇一些固定商品放在推薦位，或者基于商品之間的關(guān)聯(lián)性，進(jìn)行相關(guān)的商品推薦。常規(guī)推薦的商品不會(huì)因?yàn)橛脩舨煌a(chǎn)生差異，主要是運(yùn)營(yíng)配置的活動(dòng)或固定商品（商品精選）。所以一般來(lái)說(shuō)，常規(guī)推薦是比較固定的，但是它對(duì)于整個(gè)頁(yè)面的商品流通，關(guān)聯(lián)等意義是非常大的，基本上來(lái)說(shuō)，常規(guī)推薦可以為商品帶來(lái)非常大的二次曝光，從而提高轉(zhuǎn)化率。

個(gè)性化推薦指基于用戶購(gòu)物習(xí)慣，根據(jù)商品特性來(lái)進(jìn)行推薦。例如“看過(guò)此商品后的顧客還購(gòu)買的其他商品”推薦項(xiàng)。比如在我寫這篇文章的時(shí)候，我在天貓隨機(jī)搜索了一下小米手機(jī)，然后在不到10分鐘，系統(tǒng)就給我推薦了圖中的“今日優(yōu)選”，這個(gè)優(yōu)選里面包括都是小米的系列品牌手機(jī)。所以這個(gè)是算法處理速度是如此驚人，那么他們都是怎么進(jìn)行工作的呢？

電商推薦系統(tǒng)將收集的用戶信息、產(chǎn)品信息及用戶畫像分類作為系統(tǒng)輸入，利用適當(dāng)?shù)耐扑]算法和推薦方式，根據(jù)用戶設(shè)定的個(gè)性化程度和信息發(fā)送方式，給用戶提供個(gè)性化商品推薦。用戶對(duì)推薦結(jié)果的點(diǎn)擊瀏覽、購(gòu)買的反饋結(jié)果，又可以作為優(yōu)化系統(tǒng)推薦的參考。

完善的推薦系統(tǒng)一般由四部分組成，按照收集 → 分析 → 推薦的步驟，收集用戶信息的用戶行為記錄模塊、分析用戶喜好的分析模型模塊、分析商品特征的商品分析模塊和推薦算法模塊。

比如你的瀏覽、購(gòu)買、評(píng)論、問(wèn)答等就是被收集在用戶行為記錄模塊上，然后系統(tǒng)分析用戶的喜好，最好分析你瀏覽過(guò)的商品周邊，比如相似的、能夠搭配等給你推薦。

然后看完電商運(yùn)營(yíng)的算法推薦，我們?cè)賮?lái)看看內(nèi)容運(yùn)營(yíng)的算法推薦，這里以今日頭條的算法推薦作為案例分析。

頭條號(hào)的文章審核，是以機(jī)器審核為主，人工審核為輔，而且針對(duì)敏感、低俗、低質(zhì)的文章，也是能夠被機(jī)器檢測(cè)到的，并且被機(jī)器算法攔截，這是頭條號(hào)特有的審核機(jī)制。只有制作規(guī)范的標(biāo)題，提供優(yōu)質(zhì)原創(chuàng)的文章，抵制不良推廣信息，才有可能被審核通過(guò)。

而在推薦的時(shí)候，今日頭條在抓取內(nèi)容后，它首先會(huì)根據(jù)你之前的發(fā)文史和內(nèi)容的關(guān)鍵字嘗試著推薦給一批試用用戶，這些用戶看到內(nèi)容后會(huì)有以下幾個(gè)動(dòng)作：

• 不理睬：用戶看見標(biāo)題和封面就不想點(diǎn)進(jìn)去看。如果閱讀量并不好，機(jī)器會(huì)減少推薦量，比如之前推薦給了 100 人，那么之后它只會(huì)推薦給 50 個(gè)人。
• 點(diǎn)了不喜歡：用戶點(diǎn)進(jìn)去看了內(nèi)容，后來(lái)發(fā)現(xiàn)內(nèi)容并不是他想要的，他就會(huì)果斷點(diǎn)不喜歡。如果點(diǎn)不喜歡的人數(shù)比較多，機(jī)器會(huì)減少推薦甚至停止推薦。
• 點(diǎn)了贊、收藏或者分享：用戶覺得你的內(nèi)容很好，就會(huì)對(duì)你的內(nèi)容做出了正面回應(yīng)。對(duì)于正面的數(shù)據(jù)，機(jī)器會(huì)加大力度推薦，讓你的內(nèi)容被更多的人看到。

其原理也是通過(guò)個(gè)性化推薦，當(dāng)用戶喜歡這類內(nèi)容，通過(guò)點(diǎn)贊、收藏、評(píng)論的行為去判斷你的喜好程度，然后在擴(kuò)大推薦。

自動(dòng)化、智能化的運(yùn)營(yíng)賦予運(yùn)營(yíng)人新的使命

在大數(shù)據(jù)的背景下，現(xiàn)在的運(yùn)營(yíng)方法論也是要借著機(jī)器算法使運(yùn)營(yíng)效率提高，這是行業(yè)普遍共識(shí)，而對(duì)于我們的工作重點(diǎn)和能力要求也是提出了新的高度。

在工作重點(diǎn)上：

我們需要以數(shù)據(jù)決策為重。可以說(shuō)，沒(méi)有數(shù)據(jù)，就沒(méi)有運(yùn)營(yíng)。那個(gè)屁股決定腦袋的時(shí)候已經(jīng)過(guò)去，想要獲取更多的新用戶，你只要借助數(shù)據(jù)分析，分析你的目標(biāo)人群在哪里扎堆，他們平時(shí)都喜歡什么？他們的行為路徑是怎么樣的？你才能夠去做正確的事。

以用戶為中心，流量紅利已經(jīng)過(guò)去，現(xiàn)在獲取一個(gè)用戶已經(jīng)達(dá)到成本的最高峰，野蠻投放的時(shí)代也已經(jīng)過(guò)去，只有洞察用戶內(nèi)心，知道用戶喜歡什么，不喜歡什么，你所做的一切都可能像是一個(gè)保姆的行為。把飯喂到用戶的嘴邊，把水端到用戶眼前，用戶才會(huì)圍繞你轉(zhuǎn)。

數(shù)據(jù)來(lái)源于用戶，而作用于用戶，這是一個(gè)閉環(huán)。沒(méi)有用戶，你的數(shù)據(jù)獲取也就無(wú)從談起，所以你要做好的就是獲取用戶行為，分析用戶行為，迭代產(chǎn)品，不斷地向用戶提供最好的產(chǎn)品服務(wù)。

能力新要求

不會(huì)做數(shù)據(jù)分析的運(yùn)營(yíng)不是好運(yùn)營(yíng)。有句話說(shuō)得好，自己動(dòng)手豐衣足食。不要總是依賴數(shù)據(jù)分析師給你做好數(shù)據(jù)分析放在你面前，你是離用戶最近的人，你不去分析用戶行為，誰(shuí)去分析呢？

用戶洞察是一種能力，用戶的告訴你他想要去旅行，不一定是他的真實(shí)想法。表面現(xiàn)象往往都是最疑惑人的，你需要層層分析，多問(wèn)幾個(gè)為什么，才能挖掘用戶最深層次的需求。

你是產(chǎn)品運(yùn)營(yíng)也是產(chǎn)品經(jīng)理，你需要懂產(chǎn)品，也需要懂運(yùn)營(yíng)，因?yàn)楫a(chǎn)品和運(yùn)營(yíng)往往都是界限模糊，工作職責(zé)交叉進(jìn)行的。所以為了能夠最大限度地提高效率，必備的產(chǎn)品思維必不可少。

精細(xì)化運(yùn)營(yíng)、智能化運(yùn)營(yíng)是時(shí)代趨勢(shì)，也是時(shí)代賦予運(yùn)營(yíng)人新的使命。

#專欄作家#

藝林小宇，微信公眾號(hào)：cs-jy8，人人都是產(chǎn)品經(jīng)理專欄作家。股事匯APP運(yùn)營(yíng)負(fù)責(zé)人，獨(dú)立媒體人，喜歡用白話文講述移動(dòng)互聯(lián)網(wǎng)時(shí)事熱點(diǎn)，專注于產(chǎn)品運(yùn)營(yíng)、策劃、BD合作等領(lǐng)域。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 unsplash，基于 CC0 協(xié)議