作者：友盟+數據技術專家 譚純

簡介： 2020年註定是不同尋常的，突如其來的疫情按下了人們生活的暫停鍵。對於用戶激增的App而言有喜有憂，如何快速沉澱數據資產，因為疫情是脈衝式的需求，等疫情結束之後，如何把這些激增的用戶轉化為留存是很大的挑戰。對於非利好的App，如何讓數據成為護城河。回答這兩個問題，數據智能平臺的建設尤其重要。

背景

從友盟+公開的移動互聯網數據報告來看，疫情期間移動互聯網設備活躍度穩步提升。其中游戲行業增幅15%，是2019年的2倍；影視增幅8%，是去年的3倍左右；辦公通訊上漲明顯，增幅150%，網上藥店活躍設備增幅由負轉正，增幅61%；旅游與汽車的降幅是去年的3-4倍，分別下跌55%及29%。

疫情後的機會點：

1.拉新變留存。對於用戶激增的App而言有喜有憂，因為疫情是一個脈衝式的需求，等疫情結束之後，如何把這些激增的用戶轉化為留存是一個很大的挑戰。實時化的數據資產的沉澱成為挑戰。這時候需要修煉好數據的內功，重視數據資產的沉澱，運營好自己的私域數據池。

2.智能化運營。有的數據的底料，我們可以更加的進行精細化的一些運營。比如分層運營，智能營銷，實現業務的數據化，並且讓數據指導業務的發展提供前提。

3.練好數據的內功。建設數據智能平臺。數據也是資產，數據智能平臺的建設，好比把礦石煉成98號的汽油，再通過清潔的能源向業務不斷賦能的過程。

什麼是數據智能平臺

數據智能研發平臺，是基於數據基礎能力，打造專業、高效、安全的一站式智能研發平臺。支持實時與離線數據集成、開發運維、工作流調度、數據質量、數據安全的全鏈路數據管理，滿足數據治理、數據血緣、數據質量、安全管控，標簽應用的需求。

面臨的挑戰

挑戰主要集中在4個方面，從算力、數據、演算法以及業務：

1. 基礎設施的建設不是一觸而就的，需要大量的人力物力財力。主要是機房、機架、網路、帶寬。
2. 數據分成兩個部分，基礎數據以及標簽的數據，那麼基礎數據存在的問題是缺乏統一的建設標準以及質量的評估。我們知道歐盟有很多的成員國，成員國之前是各自發行貨幣的，不利於整體經濟的發展。數據也是一樣，需要同樣的標準去建設，促進數據的一個流通，這是基礎數據存在的問題。對於標簽數據而言，我們的生產管理服務應用整個鏈路是斷裂的，無法最大的提高一個標簽生產的效率。
3. 演算法工程上，煙囪式的垂直類的一個開發，比如說廣告和搜索，它在特征到工程上面都是重覆開發的。
4. 業務上，數據的建設周期比較長，趕不上業務的一個發展。

體系介紹

底料篇以友盟+為例。經過了9年專業的大數據的服務，積累下了PC網站的 APP的數據以及廣告監測類的數據。面臨的一個問題，如何把大體量的數據穩定高質量的同步到計算平臺，自研的一鍵的數據同步的工具，打通業務系統到大數據之間的元數據平臺，同時業務系統的增刪改也會通知到大數據測，

** 建設篇：**

公共數據中心的建設，核心是為瞭解決指標一致性的問題

按業務域和分析維度構建公共數據中心。什麼叫業務板塊？比如亞馬遜，它是有電商和雲兩塊業務的，那麼這兩塊業務其實就是業務板塊，我們一個抽取電商業務來看，有日誌、交易、物流、廣告等最基礎的一些數據組成，這就叫做數據域。數據域是業務過程的集合，以交易為例，分付款，退拍下和退款，這三個業務過程共用的一個訂單ID，所以在一張事實表裡。交易的過程有維度刻畫，有商品、買家、賣家這些維度構成了維表，比如買家的昵稱、註冊的時間。維表冗餘在實時表中的好處是減少大數據量的join，保證數據的穩定高效的產出。通過建設可以讓由礦石變成92號的汽油，這個時候數據就可以被使用了，這是基礎數據建設的部分。

所有的運營產品、市場等業務的同學使用的數據全部叫做指標，這些指標全部是派生指標。跟大家一起拆解一個指標，叫最近30天會員在無線端的登錄次數，那麼最近30天就是時間周期，會員是統計粒度，統計粒度對應的最左邊的維度信息。無線端就是業務限定，登錄的次數就是原子指標。登錄次數加業務限定就等於上面圖表中最左邊的業務過程。那這個指標拆解的過程怎麼去映射到我們的技術數據，怎麼關聯呢？

再舉兩個例子。很多人可能簡單自學SQL後，就可以自己跑數據：通常情況下，SQL質量無法保證，如果查詢的數據量非常大，可能後臺幾千台機器就轉起來了。為避免類似情況發生，我們會在提交任務過程中做代碼校驗，對於性能問題、規範問題、代碼質量問題都會給出必要的提示，比如SQL代碼對於除數為0沒有做代碼相容，比如我們的DDL語句中沒有做數據生命周期的設置，比如SQL的QUERY中沒有做分區的條件限制，甚至你的SQL代碼別人已經計算過，可以復用結果不需要重新計算這些問題，我們都會給出精確到提示。

在數據研發過程中，代碼編寫可能只占工作量的20%，那麼大部分時間都去幹嗎了？是數據驗證，代碼修改前和代碼修改後，數據到底差多少，差在哪兒？過去如果沒有工具只能寫一堆腳本，再去驗證，效率極其低下，而且極易出錯。現在有了“數據對比”工具，就可以通過簡單的勾勾選選知道前後差異到底在哪？然後迅速給測試報告，保證整個研發過程的數據質量是有保障的。有了工具的建設，最後是運維。核心是要用最優的資源保障最重要的數據及時的產出。

標準化篇

以IP to 地域為例，有閱讀類的App做本地的資訊，這個服務在市場上面是很普遍的，但準確度只能做到65%；再以游戲App為例，比如說品牌/機型代表購買力，屏幕/記憶體容量供開發者優化迭代產品。這些參數要是開發者去採集的話，會遇到特別多的問題，比如手機機型是0011X， 0011X代表iPhone11，那麼集合於這兩類的需求，這個時候就需要運用全域數據的能力，在高維的空間精準識別匹配信息。

反作弊篇

整個過程的反作弊怎麼做？比如有一款視頻類的App在做用戶分層，一共5層，大多數精細化運營同學都會這麼去做。第1層是超級用戶，第2層是黑產設備。作弊數據對標簽也是一種雜訊，對於簡單的機刷，用規則就可以識別出來。比如IP的黑名單庫，設備的黑名單庫。但是隨著這些技術的日新月異，對於模擬器而言，要採用機器學習的方式，從行為數據中加以判斷。還有種是“群控”，也就是羊毛黨。第3層--第5層分別是高質量、中質量和低質量。

規則，IP的黑名單庫，設備的黑名單庫。對於模擬器，採用機器學習的方式，從行為數據中加以判斷，對於群控羊毛黨採用圖演算法。多管齊下，濾掉86%的一個假量。

打通篇

與此同時，互聯網和傳統行業一樣都會存在著數據的孤島，因為我們現在客戶的觸點是非常多的，比如說有傳統的PC網站，有App，有小程式。在跨端上面，比如兩個小程式，A上用戶少，成交率高；B上用戶多，成交率低，要進行跨端的數據的運營。有PC和無線數據，PC上面點了一個商品，App上把相應商品或者相應的文章來推薦給用戶，這樣來看用戶的留存將會得到極大的一個提升。設備聚合的主要場景是看小程式和App一共有多少用戶。

標簽篇

標簽是通過行為分析認知用戶的一個過程。是數據分析的一個起點，比如最近30天來過北京2次的人群，只要有業務價值，它就是一個標簽。標簽的分類，分有統計性和預測性，區別在統計型標簽不需要樣本集和準確度。那標簽有什麼作用呢？

一、市場細分和用戶分群：市場營銷領域的重要環節。比如在新品發佈時，定位目標用戶，切分市場。這是營銷研究公司會經常用的方式。

二、數據化運營和用戶分析。後臺PVUV留存等數據，如果能夠結合用戶畫像一起分析就會清晰很多，揭示數據趨勢背後的秘密。

三、精準營銷和定向投放。比如某產品新款上市，目標受眾是白領女性，在廣告投放前，就需要找到符合這一條件的用戶，進行定向廣告投放。四、各種數據應用：例如推薦系統、預測系統。我們認為：未來所有應用一定是個性化的，所有服務都是千人千面的。而個性化的服務，都需要基於對用戶的理解，前提就需要獲得用戶畫像。

常用的一些標簽體系（以下均為大數據預測結果）：第一類：人口屬性。比如說性別、年齡、常駐地、籍貫，甚至是身高、血型，這些東西叫做人口屬性。

第二類：社會屬性。因為我們每個人在社會裡都不是一個單獨的個體，一定有關聯關係的，如婚戀狀態、受教育程度、資產情況、收入情況、職業，我們把這些叫做社會屬性。

第三類，興趣偏好。攝影、運動、吃貨、愛美、服飾、旅游、教育等，這部分是最常見的，也是最龐大的，難以一一列舉完。

第四類，意識認知。消費心理、消費動機、價值觀、生活態度、個性等，是內在的和最難獲取的。舉個例子，消費心理/動機。用戶購物是為了炫耀，還是追求品質，還是為了安全感，這些都是不一樣的。如何判斷標簽體系的好壞？

在實際構建標簽體系時，大家經常會遇到很多困惑，我列舉5個常見問題：

第一、怎樣的標簽體系才是正確的？其實每種體系各有千秋，要結合實際應用去評估。

第二、標簽體系需要很豐富麽？標簽是枚舉不完的，可以橫線延展、向下細分。也可以交叉分析，多維分析。如果沒有自動化的方式去挖掘，是很難做分析的，太多的標簽反而會帶來使用上的障礙。

第三、標簽體系需要保持穩定麽？不是完全必要，標簽體系就是產品/應用的一部分，要適應產品的發展，與時俱進。比如， “新冠”這個詞，今天卻很熱。我們是不是要增加一個標簽，分析哪些人有購買新冠相關的防疫藥品。 有一種情況下，標簽要保持穩定。如果你生產的標簽有下游模型訓練的依賴，即我們模型建完後，它的輸入是要保持穩定的，不能今天是ABC，明天是BCD。在這種情況下，是不能輕易對標簽體系做更改的。

第四個，樹狀結構or網狀結構？樹狀結構和網狀結構從名字上就可以看出其分別。網狀結構，更符合現實，但是層次關係很複雜，對數據的管理和存儲都有更高要求。知乎，如果仔細去看它的話題設置，其實是網狀的。

網狀的特點就是一個子話題，父級可以不止一個，可能有兩個。比如兒童玩具，既可以是母嬰下分分類，也可以是玩具下的分類，它就會存在兩個父節點之下。樹狀結構相對簡單，也是我們最常用的。網狀結構在一些特定場景下，我們也會去用。但是實現和維護的成本都比較高。比如，有一個節點是第四級的，但它的兩個父節點一個是二級，一個是三級，結構異化帶來處理上的麻煩。

第五個，何為一個好的標簽體系？應用為王，不忘初心。標簽是為了用的，並不是為了好玩，最好保證標簽體系的靈活和細緻性。

智能篇：

數據智能的建設指分析、洞察、策略、效果的工程化能力，有了這些智能的工程化能力，就能通過引擎向外暴露介面的方式來支持百花齊放的業務，支持所有開發者的業務，這就是友盟+採建管用一站式服務平臺的整個建設過程，開發者可以藉此為例，快速自建、或依靠友盟+的技術能力，豐富自己的數據智能平臺/數據銀行的建設。

規劃和感想

第一，快速建模的能力。實時自動的標簽產出，或者結合業務場景的實時化，能最大保障智能化運營的及時性；第二，不能只說這個用戶對汽車感興趣，而是需要細分到車型、價位，甚至他去買車時，會關註駕駛乘坐的舒適性、操控的靈活性，還是內飾的細節。