自動化營銷增長體系的一些思考

在做To B用戶增長業(yè)務(wù)的時候，總不會一帆風(fēng)順。在經(jīng)歷了業(yè)務(wù)的波峰和谷底，特別是在谷底如何逆勢翻盤，這也是非常難得的一種業(yè)務(wù)經(jīng)歷。一個完整的業(yè)務(wù)周期，通常會經(jīng)歷萌芽期、測試期，然后進(jìn)入上升期。進(jìn)而業(yè)務(wù)穩(wěn)定之后會產(chǎn)生業(yè)務(wù)波動，從而進(jìn)入到衰退期。之后需要通過調(diào)整策略，才能使得業(yè)務(wù)持續(xù)保持增量。

誠如筆者之前文章所談到的，用戶增長的三架馬車：模型、策略和話術(shù)（或者可以調(diào)整為觸達(dá)方式，短信、語音、或者信息流，抑或信息流疊加AI的方式，都是觸達(dá)的某種形式）。

其實很多的Routine工作是完全可以程序取代，這也是我試圖撰寫此文的初衷。策略運(yùn)營人員在從業(yè)務(wù)效果分析數(shù)據(jù)提取策略優(yōu)化方向，還有在用戶心智或者交互體驗等方面，專家經(jīng)驗在目前階段還是遠(yuǎn)超AI的水準(zhǔn)。這也是策略運(yùn)營的價值所在。

從日常的增長業(yè)務(wù)流程來看，需要人工介入的主要三部分耗時較多：營銷數(shù)據(jù)分布、模型優(yōu)化上線以及策略任務(wù)提交。此篇文章主要就營銷數(shù)據(jù)分布和策略任務(wù)提交的自動化做自己的一些設(shè)想。

接下來，筆者試圖從自己的角度，來看下用戶增長的自動化業(yè)務(wù)流程如何實現(xiàn)。此文僅表達(dá)個人觀點(diǎn)，歡迎大家討論。

營銷數(shù)據(jù)分布的自動化

之前我們談到用戶增長業(yè)務(wù)流程的三個步驟：看分布、做策略和定排期。這里主要指的是看分布。目前傳統(tǒng)的方式流程鏈路比較復(fù)雜，而且存在較多的重復(fù)性線下人與人、數(shù)據(jù)與數(shù)據(jù)、以及人與數(shù)據(jù)的交換與決策。所以將這一部分的工作流程化和自動化，將極大釋放算法同學(xué)的日常取數(shù)的重復(fù)性工作，可以把更多精力投入到算法研究等更有價值的工作中去。這部分工作主要由以下主要流程構(gòu)成：對接完成建表、撞庫跑出分布。

對接完成建表

這里不談及數(shù)據(jù)隱私以及合規(guī)問題，僅從技術(shù)角度來看如何支持自動化。

• 渠道數(shù)據(jù)獲?。捍_認(rèn)好和客戶數(shù)據(jù)同步的方式，頻次以及數(shù)據(jù)的類型。
• 數(shù)據(jù)入庫：渠道數(shù)據(jù)的接收、預(yù)處理以及入庫過程，直接通過API進(jìn)行傳輸后進(jìn)行落庫，一方面避免數(shù)據(jù)人員直接接觸數(shù)據(jù)，更一方面也是減少數(shù)據(jù)代領(lǐng)池的重復(fù)性工作。

撞庫跑出分布

• 前篩策略條件：此前也提到，前篩策略包括產(chǎn)品準(zhǔn)入規(guī)則，多頭剔除策略、內(nèi)部去重規(guī)則、名單規(guī)則以及運(yùn)營商屬性等。這里需要額外再提及的是，短信或者語音的營銷通道本身對應(yīng)地域的屏蔽每日都在動態(tài)調(diào)整，如果是需要手工改動算法代碼不光效率較低，而且有較高的操作風(fēng)險。所以，自動化的流程就是可以把前篩策略可以進(jìn)行配置，像決策引擎配置風(fēng)控策略集一般，可以對各個產(chǎn)品的前篩策略集進(jìn)行配置。后續(xù)也可以對相同產(chǎn)品采用不同的前篩策略集進(jìn)行AB測試。
• 數(shù)據(jù)分層策略：跑分結(jié)果按模型分?jǐn)?shù)進(jìn)行分層，分成10檔、或者20檔。這里需要注意的是，同一個產(chǎn)品可能有若干個生效的模型（可能是模型對比或者模型取數(shù)補(bǔ)充等原因）。

策略任務(wù)提交的自動化

得到可營銷的數(shù)據(jù)分布之后，接下來就是定策略。這部分主要是確定取數(shù)邏輯、數(shù)據(jù)入庫兩部分，這兩部分也可以實現(xiàn)自動化的流程。

確定取數(shù)邏輯

如何取數(shù)對于不同的產(chǎn)品和相同產(chǎn)品在不同的運(yùn)營階段也有不同的策略。這部分和前篩策略集對應(yīng)，可以做成業(yè)務(wù)策略集，和取數(shù)的邏輯相關(guān)，相關(guān)的策略有：

• 閾值設(shè)定：例如授信成本，或者CPA結(jié)算的訂單成本由此對應(yīng)的模型基準(zhǔn)分?jǐn)?shù)；
• 取數(shù)數(shù)量：一般5W起，基準(zhǔn)分?jǐn)?shù)之上的原則上會全?。?/li>
• 取數(shù)方式：一般是Top取，但是有時候在模型壓測或者策略對比的時候，會在某個分?jǐn)?shù)以上隨機(jī)取；
• 數(shù)據(jù)拆包：一般短信和語音大于30W左右就會拆包，以降低業(yè)務(wù)風(fēng)險；
• 取數(shù)順序：多渠道同產(chǎn)品，這時候不同渠道的營銷數(shù)據(jù)之間要去重，相應(yīng)的確認(rèn)各渠道的取數(shù)順序。

數(shù)據(jù)入庫

• 最終每日的可營銷數(shù)據(jù)根據(jù)不同的觸達(dá)方式（例如短信、語音或是信息流）寫入到數(shù)據(jù)庫中。當(dāng)然這里也可以有更加復(fù)雜的邏輯，例如語音外呼后追加群發(fā)短信，信息流迭代短信的方式來看ROI整體的營銷效果；
• 還有一部分的數(shù)據(jù)可能是客戶自運(yùn)營，這部分?jǐn)?shù)據(jù)可以生成csv寫回到客戶的sftp中，或者讓客戶直接用API來拉取；

策略自動優(yōu)化的演進(jìn)想法

關(guān)于AB測試

在討論運(yùn)營策略的自動優(yōu)化前，我們先看來看看AB測試。A/B測試的核心價值在于，它是一個將定性決策轉(zhuǎn)化為定量決策的重要方法。盡管將定性決策轉(zhuǎn)化為定量分析的方法有很多，但沒有任何一個方法有A/B測試這么直觀、科學(xué)、可信，且易于操作。

關(guān)于AB測試有以下幾個概念，這邊提及一下，不詳細(xì)展開，讀者有興趣可自行深入研究或和作者討論：

• 流量互斥層：是為了讓多個實驗?zāi)軌虿⑿胁幌嗷ジ蓴_，且都獲得足夠的流量而研發(fā)的流量分層技術(shù)；
• 流量正交實驗：每個獨(dú)立實驗為一層，一份流量穿越每層實驗時，都會隨機(jī)打散再重組，保證每層流量數(shù)量相同。用意主要是如何進(jìn)行多個實驗，保證流量的高可用；
• 互斥實驗：所有互斥實驗使用同一流量層用戶，但不共享用戶，如果一個用戶 / 設(shè)備命中了實驗 A，就不會命中互斥的其他實驗；
• 實驗指標(biāo)：在開始一個實驗時，目的是對比對照組和實驗組的某個或者某幾個指標(biāo)；
• 流量過濾：對 AB 測試的目標(biāo)用戶增加一些限制條件，規(guī)定被實驗命中的用戶必須符合（或不符合）條件，比如針對某個用戶分群，某些用戶標(biāo)簽進(jìn)行過濾，進(jìn)而精準(zhǔn)找到測試目標(biāo)人群，這種限制條件即“流量過濾”；
• 白名單用戶：在實驗正式開啟之前，通常需要先選擇幾名用戶進(jìn)入測試階段，觀察實驗是否能夠正常獲取想要收集的數(shù)據(jù)，或執(zhí)行流程是否符合預(yù)期。參與這一步的用戶被稱為“白名單用戶”；
• 置信區(qū)間：置信度區(qū)間就是用來對一組實驗數(shù)據(jù)的結(jié)果進(jìn)行估計的區(qū)間范圍；
• A/B實驗指標(biāo)體系需要三類實驗指標(biāo)

(1)核心指標(biāo):這種指標(biāo)是決定實驗成敗的關(guān)鍵指標(biāo)；

(2)輔助指標(biāo):用于輔助判斷實驗對其他因素的影響；

(3)反向指標(biāo):實驗可能產(chǎn)生負(fù)面影響的指標(biāo)；

實驗的幾個基本步驟一般如下援引騰訊TEGhttps://www.zhihu.com/question/20045543/answer/1103961403

1、流量分配：

• 不影響用戶體驗：如 UI 實驗、文案類實驗等，一般可以均勻分配流量實驗，可以快速得到實驗結(jié)論；
• 不確定性較強(qiáng)的實驗：如產(chǎn)品新功能上線，一般需小流量實驗，盡量減小用戶體驗影響，在允許的時間內(nèi)得到結(jié)論；
• 希望收益最大化的實驗：如運(yùn)營活動等，盡可能將效果最大化，一般需要大流量實驗，留出小部分對照組用于評估 ROI；

           這里可能要注意下辛普森悖論-實驗流量分割比例改變帶來的結(jié)果錯誤。

2、實驗效果主要回答以下問題：

• 方案 1 和方案 2，哪個效果更好？
• 哪個 ROI 更高？
• 長期來看哪個更好？
• 不同群體有差異嗎？

3、實驗結(jié)束

• 反饋實驗結(jié)論，包括直接效果（滲透、留存、人均時長等）、ROI；
• 充分利用實驗數(shù)據(jù)，進(jìn)一步探索分析不同用戶群體，不同場景下的差異，提出探索性分析；
• 對于發(fā)現(xiàn)的現(xiàn)象，進(jìn)一步提出假設(shè)，進(jìn)一步實驗論證；

增長引擎智能化暢想
前面提及了用戶增長流程自動化的想法，這個完全是可以用技術(shù)手段實現(xiàn)，并且可以極大釋放算法和運(yùn)營的精力，聚焦在更有價值的工作中。接下來，我們探討下策略優(yōu)化的自動化。

在上文中，我們描述了數(shù)據(jù)完成建表的自動化，即數(shù)據(jù)入庫的自動化；接下來討論了撞庫后數(shù)據(jù)分布的自動化，即人群模塊的自動化，之后是確定取數(shù)邏輯及營銷任務(wù)入庫的數(shù)據(jù)化，即實驗?zāi)K和任務(wù)模塊的自動化。

在全流程的節(jié)點(diǎn)中，還有兩個人工中斷節(jié)點(diǎn)：模型的訓(xùn)練和優(yōu)化以及策略的優(yōu)化。

如果我們能實現(xiàn)策略的自動優(yōu)化，無疑又會將我們的營銷自動化邁入新的一步。

目前，首先數(shù)據(jù)分析要從被動的“人看數(shù)據(jù)”，升級為“洞察模塊”，需要對全局的核心指標(biāo)做自動監(jiān)控，分析業(yè)務(wù)的波動原因，從而進(jìn)一步產(chǎn)出各個指標(biāo)對業(yè)務(wù)的貢獻(xiàn)值。

在業(yè)務(wù)在進(jìn)行一段時間之后，“智能決策模塊”可以替換下之前的人群和任務(wù)模塊。人群模型里是需要運(yùn)營的人群規(guī)則，任務(wù)模塊是一系列任務(wù)，由“智能決策模塊”來完成人群和任務(wù)的關(guān)聯(lián)，并負(fù)責(zé)效果的跟蹤和優(yōu)化迭代。

換言之，由機(jī)器決策代替人工決策。

只需要做一些全局的設(shè)置即可。