一、阿里健康用戶算法業(yè)務(wù)簡介

首先，阿里健康的用戶算法其實(shí)是圍繞整個(gè)天貓行業(yè)的數(shù)據(jù)資產(chǎn)。

商家，會(huì)分成兩部分，一部分是自營的藥房，比如阿里健康大藥房、海外店、品牌旗艦店，等等。當(dāng)我們平臺(tái)的商家，帶著某些訴求來到平臺(tái)，比如說，想提升產(chǎn)品的一些指標(biāo)，例如商品類目的 GMV，或者是提升 ROI 等。首先，平臺(tái)會(huì)向商家提供人群策略上的能力，也就是根據(jù)目標(biāo)以及目標(biāo)運(yùn)營商品，提供定向人群的能力。人群產(chǎn)生后，下一步就是商家如何去做營銷投放。這里會(huì)遇到一個(gè)問題，淘內(nèi)外有那么多營銷渠道，比如短信、push 推送、包括站內(nèi)的廣告。在站外，還會(huì)有一些字節(jié)系的比如抖音、知乎等站外廣告。那么商家在面對這么多不同的投放渠道時(shí)，會(huì)遇到這些人群怎么去投放才能最高效、渠道間怎么合作等等一系列的問題。

在這里，我們會(huì)有一些渠道上的策略，人群策略 + 渠道策略，幫助我們的商家去做人群的投放。當(dāng)流量來到我們站內(nèi)以后，我們會(huì)根據(jù)用戶數(shù)據(jù)去做一些差異化引導(dǎo)，比如商品推薦、入會(huì)引導(dǎo)、權(quán)益的個(gè)性化等等。通過這些，我們獲取了用戶在我們站內(nèi)的一些行為數(shù)據(jù)，同時(shí)這部分?jǐn)?shù)據(jù)會(huì)回流到平臺(tái)的行業(yè)數(shù)據(jù)用戶資產(chǎn)中。這些數(shù)據(jù)會(huì)進(jìn)一步提煉出用戶標(biāo)簽、去支持我們后續(xù)人群策略的迭代。

針對阿里健康用戶算法，序列化投放，重點(diǎn)解決用戶運(yùn)營全圖中渠道策略的部分，提供渠道組合、序列觸達(dá)、預(yù)算/出價(jià)能力以及頻次控制等能力。

序列化投放主要解決以下兩大問題：

（1）首先，行業(yè)商家面對多種多樣的淘內(nèi)外投放產(chǎn)品，缺乏一個(gè)全局化的抓手，不知道如何投放整體效率最高。

（2）另外，對于行業(yè)平臺(tái)來說，如果各個(gè)營銷渠道都是以自己的目標(biāo)為先，各自為戰(zhàn)。在短期的目標(biāo)下，每個(gè)渠道獨(dú)有的、可以相互協(xié)作的用戶運(yùn)營價(jià)值會(huì)被商家忽視、影響平臺(tái)增長。

針對上述問題，我們這邊的解法就是通過定向人群流轉(zhuǎn)、序列觸達(dá)推薦，和曝光頻次控制實(shí)現(xiàn)人群有次序的觸達(dá)，從而實(shí)現(xiàn)人群的精準(zhǔn)觸達(dá)和轉(zhuǎn)化。從上圖中的觸達(dá)次數(shù)與用戶轉(zhuǎn)化占比圖，可以看出大部分的成交都是發(fā)生在消費(fèi)者的非首次觸達(dá)中，也就是說用戶首次觸達(dá)轉(zhuǎn)化情況是非常少見的。

結(jié)合一些實(shí)際的數(shù)據(jù)，可以發(fā)現(xiàn)渠道的多次觸達(dá)對于用戶的轉(zhuǎn)化心智存在累積效應(yīng)。其次不同的渠道觸達(dá)順序?qū)τ脩舻霓D(zhuǎn)化存在影響。

二、序列化投放模型基礎(chǔ)方案

接下來介紹針對上述問題的基礎(chǔ)解決方案。

將單渠道優(yōu)化中的人貨預(yù)估問題，針對特定的人群、特定的商品。去做 CTR 和 CVR 的預(yù)估，包括其他目標(biāo)的預(yù)估。然后把問題，轉(zhuǎn)化為人貨路徑的預(yù)估問題。

基于這樣的思路，我們會(huì)遇到兩個(gè)問題：

（1）首先是序列樣本構(gòu)建。

（2）第二個(gè)問題是路徑的不確定性。投放前規(guī)劃的觸達(dá)序列在實(shí)際投放中并不能保證被完整曝光，尤其是廣告渠道。

下一步，結(jié)合實(shí)際場景設(shè)計(jì)序列化投放推薦的模型。基礎(chǔ)方案就是通過一個(gè)向量三塔模型去解決。

為什么要通過向量三塔模型呢？

首先，剛才提到的三元組，第一個(gè)就是人，第二個(gè)就是貨，也就是商品，第三個(gè)就是路徑。人、貨、路徑三元塔的數(shù)量級(jí)其實(shí)是非常龐大的。而產(chǎn)品功能需要保證計(jì)算時(shí)間可控，并將白盒化的定向人群、匹配商品及推薦路徑及時(shí)反饋給商家。然后商家確認(rèn)策略后采取投放?；谶@樣的產(chǎn)品性能的要求，采用向量的模型。因?yàn)橄蛄勘热缟唐坊蛘呗窂娇梢蕴崆熬彺妫鹊饺巳喝x出來后再做計(jì)算，這樣可以保證時(shí)間可控。

基于這個(gè)模型，我們做個(gè)兩點(diǎn)優(yōu)化：

（1）第一點(diǎn)，泛化性的優(yōu)化。模型訓(xùn)練樣本近 80% 為營銷重點(diǎn)品。因此模型對中長尾商品、新品的學(xué)習(xí)是不充分的。因此基于 GraphSAGE 在基礎(chǔ)模型的 item 側(cè)構(gòu)建了Graph Embedding，提升泛化性。

（2）第二點(diǎn)，根據(jù)實(shí)際情況去做的一個(gè)優(yōu)化，原來的序列化投放模型是基于 CVR 預(yù)估的，但其實(shí)從行業(yè)商家視角來看，渠道策略最終的目標(biāo)是提升 ROI。所以結(jié)合這一情況，我們這邊把最終的目標(biāo)轉(zhuǎn)化成 ROI 的預(yù)估問題。

對于 ROI 的預(yù)估有兩種方式：

（1）第一種，直接預(yù)估。這種方式的優(yōu)點(diǎn)是，模型保序即可，選擇預(yù)估值最大的觸達(dá)序列作為推薦策略。缺點(diǎn)就是，ROI 值域較大，模型預(yù)測難度大。

（2）第二種，分別預(yù)估。這種方式的優(yōu)點(diǎn)是，模型預(yù)測難度小于直接預(yù)估。缺點(diǎn)是分別預(yù)估由兩個(gè)預(yù)估值相除得到，存在模型誤差累積放大的可能。

三、向量模型優(yōu)化

基于最后的實(shí)驗(yàn)結(jié)果可以看到，使用這個(gè)直接預(yù)估 ROI 的結(jié)果，效果不是很好。剛才提到的向量三塔模型中，有一個(gè)很明顯的缺點(diǎn)，就是人貨路徑三塔分離的向量化結(jié)構(gòu)，保證了產(chǎn)品的 serving 性能，但因?yàn)槿鄙偬卣鹘徊娴哪Ｐ徒Y(jié)構(gòu)，導(dǎo)致對側(cè)信息交叉過晚、模型表達(dá)能力被嚴(yán)重制約，整個(gè)模型精度有所欠缺。

基于這類問題，我們第一個(gè)優(yōu)化解決方式就是——知識(shí)蒸餾。

剛剛提到，缺少類似交叉特征等對模型精準(zhǔn)度有很大幫助的特征。如果可以引入這個(gè)優(yōu)勢特征，并且通過知識(shí)蒸餾的方式提供給線上模型，那是不是這個(gè)問題就能解決了？

圖中 teacher 網(wǎng)絡(luò)除了基礎(chǔ)特征以外，還引入了優(yōu)勢特征。這里的優(yōu)勢特征包括對側(cè)交叉特征和承接后鏈路特征。被知識(shí)蒸餾過的 student 特征，保證了線上線下特征的一致性。teacher 網(wǎng)絡(luò)只基于前后鏈路數(shù)據(jù)，在更高緯的假設(shè)空間下學(xué)習(xí)知識(shí)。并指導(dǎo) student 網(wǎng)絡(luò)的學(xué)習(xí)。并不存在數(shù)據(jù)穿越的問題。

第二個(gè)優(yōu)化方案，虛擬內(nèi)核，topic embedding。在保證模型性能的前提下，實(shí)現(xiàn)用戶向量的千物千面，實(shí)現(xiàn)對側(cè)特征的融合。

四、規(guī)則優(yōu)化

營銷階段的算法，離不開規(guī)則的優(yōu)化。

原始人群流轉(zhuǎn)的規(guī)則，用戶在前置觸點(diǎn)中產(chǎn)生了目標(biāo)商品的曝光，才進(jìn)入下一個(gè)觸點(diǎn)的投放計(jì)劃。那么這個(gè)原始人群流轉(zhuǎn)的規(guī)則是相當(dāng)嚴(yán)格的。比如商品在直通車的渠道上面沒有產(chǎn)生曝光或者消耗。由于前置條件是產(chǎn)生了才會(huì)走到后續(xù)的渠道，否則將會(huì)永遠(yuǎn)停留在這個(gè)階段，不再進(jìn)行流轉(zhuǎn)。

我們的初衷是想通過更多的渠道去做多次的觸達(dá)，促使用戶轉(zhuǎn)化心智的累積。所以要盡可能多的讓用戶產(chǎn)生累積觸達(dá)。不要去浪費(fèi)前面觸點(diǎn)的價(jià)值。盡可能提升人群流轉(zhuǎn)率，提升投放覆蓋和感知力度。

首先第一點(diǎn)，需要對原來嚴(yán)格的流轉(zhuǎn)策略做一個(gè)放寬。原來是基于場景去做約束，比如直通車知道必須在這個(gè)點(diǎn)曝光，但是呢，用戶基于前面的觸點(diǎn)曝光以后，或者已經(jīng)在其他的一些場景產(chǎn)生了類似的行為，比如說公域，用戶已經(jīng)去搜索這個(gè)商品了，或者已經(jīng)在詳情頁里對這個(gè)商品產(chǎn)生瀏覽。那么我們應(yīng)該把這個(gè)場景放寬，公域場景也可以觸發(fā)曝光，這樣就可以使他流轉(zhuǎn)到下一個(gè)節(jié)點(diǎn)。另外是約束放寬，是指不局限于目標(biāo)商品的曝光?？赡芟嗤娜~子類目或者店鋪品牌的相似品類的曝光，也可以觸發(fā)流轉(zhuǎn)。

兩個(gè)放寬策略優(yōu)化后，整個(gè)人群的流轉(zhuǎn)大概提升了 23.6%。

第二點(diǎn)就是頻次控制，前面提到，有些用戶經(jīng)由前面的觸點(diǎn)，已經(jīng)完成轉(zhuǎn)化，如果后續(xù)還按照原有的計(jì)劃投放，會(huì)造成資源的浪費(fèi)。過度曝光頻次控制包括：對遠(yuǎn)超閾值曝光次數(shù)、但未對商品產(chǎn)生行為的用戶，停止后續(xù)的觸點(diǎn)流轉(zhuǎn)。頻次控制策略優(yōu)化后，投放整體 ROI 提升 4.46%。

五、總結(jié)與展望

最后對整個(gè)序列化實(shí)驗(yàn)和后續(xù)迭代方向做一個(gè)總結(jié)。

在模型階段，知識(shí)蒸餾和虛擬內(nèi)核方案的引入對側(cè)信息以及優(yōu)勢特征，在保證推理時(shí)效的同時(shí)提升了模型的準(zhǔn)確性。可以看到，在 AUC 和 ROI 方向，都有提升。

可迭代的方向，就是要結(jié)合整個(gè)健康行業(yè)，醫(yī)藥類目的一些屬性去做一些事情。

首先，第一點(diǎn)就是我們在健康類目上，尤其是結(jié)合 OTC 或者處方藥的復(fù)購屬性，對臨近復(fù)購周期人群定制化流轉(zhuǎn)策略。舉個(gè)例子，一些用戶習(xí)慣在淘寶下單一些慢病相關(guān)的藥，當(dāng)這個(gè)藥購買之后，我們已經(jīng)可以獲得他買的這個(gè)規(guī)格或者說是訂單的數(shù)量，大概就可以判斷出什么時(shí)候把這些藥品吃完。那么在寫一個(gè)階段他到達(dá)復(fù)購周期的時(shí)候，我們可以針對這部分人做一些定制化的流轉(zhuǎn)策略。

第二點(diǎn)，復(fù)購可以和渠道策略進(jìn)行結(jié)合。渠道策略可以圍繞用戶運(yùn)行的前后鏈路做一些聯(lián)動(dòng)。

第三點(diǎn)，序列化投放，其實(shí)是一個(gè)多觸點(diǎn)決策，決策完成后，需要做多觸點(diǎn)歸因分析。歸因分析告訴我們不同的觸點(diǎn)，對于用戶轉(zhuǎn)化的目標(biāo)，或者價(jià)值，以及各個(gè)觸點(diǎn)貢獻(xiàn)了多少的增量價(jià)值?；谶@些結(jié)果，可以沉淀為整個(gè)經(jīng)營策略。包括多觸點(diǎn)歸因其實(shí)是可以輔助序列化投放的優(yōu)化迭代。

六、問答環(huán)節(jié)

Q1：模型線上單次運(yùn)行耗時(shí)多久？

A1：單次線上運(yùn)行耗時(shí)要分不同的情況，比如商家基于不同的目標(biāo)，圈選的人群量級(jí)、或者商品的量級(jí)，包括最后選定的渠道數(shù)量等等，不同的量級(jí)，比如百萬級(jí)和千萬級(jí)的人群數(shù)量運(yùn)行的時(shí)間肯定是不同的 。但結(jié)合目前的情況來看，單個(gè)模型運(yùn)行下來，大概是分鐘級(jí)別的，也就是，商家需要等待一段時(shí)間，才能將整個(gè)策略白盒化。

Q2：不同渠道下的用戶側(cè)特征可以對齊嗎？

A2：其實(shí)是可以的。因?yàn)橛脩魝?cè)的特征其實(shí)沒有包含渠道上的數(shù)據(jù)，更多的比如像 user 的特征或者說他的行為特征。這個(gè)行為特征，你可以理解為就是用戶在整個(gè)淘系內(nèi)產(chǎn)生的一些點(diǎn)擊、轉(zhuǎn)化搜索之類的行為。他其實(shí)并沒有和渠道側(cè)相關(guān)。所以這邊目前沒有加入一些渠道定制化的特征在里面。唯一和渠道結(jié)合的數(shù)據(jù)可能就是用戶在渠道上面的點(diǎn)擊率等等。點(diǎn)擊率和點(diǎn)擊率其實(shí)是能夠?qū)R的。

Q3：序列化重的渠道選擇與預(yù)算，頻率在模型中是如何結(jié)合的？

A3：作為模型特征，序列化渠道是沒有考慮預(yù)算的事情。因?yàn)轭A(yù)算，不是算法能夠解決的。往往是說，商家?guī)е繕?biāo)，想要去運(yùn)營哪些商品，那么營銷商品，有多少的營銷預(yù)算，那么這個(gè)預(yù)算，其實(shí)在一開始就做好決定的。算法能做的就是基于歷史的一部分?jǐn)?shù)據(jù)，幫助做一部分預(yù)算的分配。

比如你有 1000 萬的營銷預(yù)算，這些預(yù)算應(yīng)該花在那個(gè)節(jié)點(diǎn)上面。所以預(yù)算的總量是沒辦法用算法做出決定的。更多是在分配或者出價(jià)上，給出一定的建議或者策略。

至于頻次的話，就是在人群流轉(zhuǎn)的時(shí)候去做一些控制。比如會(huì)基于用戶的一些實(shí)際行為和轉(zhuǎn)化意愿等做一個(gè)頻次的控制。

Q4：投放路徑的選擇存在因人而異或者是差異化嗎？

A4：這個(gè)是的。因?yàn)檎虑榫褪腔诓煌挠脩?，然后去設(shè)置個(gè)性化的路徑。這一定是因人而異的。

Q5：用戶行為的使用是否存在數(shù)據(jù)泄露？

A5：不存在數(shù)據(jù)泄露的問題。

Q6：觸點(diǎn)是曝光觸點(diǎn)還是喚醒？

A6：觸點(diǎn)是在我們淘內(nèi)的渠道場景下發(fā)生的曝光。比如說短信發(fā)送以后，我們可以收到日志，來判斷用戶是否成功接收了短信。如果說成功接收了這條短信，對于用戶來說就是一次觸達(dá)，也就是一次觸點(diǎn)。再比如說，直通車，搜索一些關(guān)鍵詞，然后我們出現(xiàn)在第一個(gè)坑位，只要用戶看到了這個(gè)坑位，我們也認(rèn)為這是一種觸點(diǎn)的曝光。

Q7：客戶路徑差異化通過什么工具或者方式把這個(gè)路徑固定下來？

A7：首先，在投放階段，商家?guī)е繕?biāo)或者意愿，還有預(yù)算來到平臺(tái)，去設(shè)計(jì)整個(gè)人群的投放策略。在這個(gè)時(shí)候，我們會(huì)通過剛才提到的方式把路徑固定下來，交付給商家。其實(shí)就是一個(gè)人群包。無非就是你這個(gè)人群包中不同的用戶對應(yīng)當(dāng)天投放的哪些渠道。比如說用戶 A 對應(yīng)的就是短信，用戶 B 對應(yīng)的就是直通車。商家會(huì)根據(jù)人群包去做相應(yīng)的投放計(jì)劃。前面提到的用戶已經(jīng)產(chǎn)生了一些曝光，那么按照剛才的人群流轉(zhuǎn)策略，需要對這個(gè)用戶 A 對應(yīng)的渠道做一些更新。所以，行業(yè)商家看到的就是一個(gè)人群包不停更新的結(jié)果。

Q8：用戶行為發(fā)生變化，是否會(huì)改變路徑，不同路徑如何轉(zhuǎn)換？

A8：用戶行為發(fā)生變化是否會(huì)去改變路徑，我理解這是另外一個(gè)問題，叫做重定向問題。這可以理解為是否要基于這個(gè)用戶當(dāng)時(shí)實(shí)際的一個(gè)行為去改變下一個(gè)節(jié)點(diǎn)。在這一版本的序列化投放其實(shí)是沒有的。目前的序列化投放是做好了整個(gè)計(jì)劃的創(chuàng)建，然后按照這個(gè)計(jì)劃去執(zhí)行，比如這個(gè)問題，其實(shí)有兩個(gè)難點(diǎn)。第一個(gè)就是說這個(gè)用戶的數(shù)據(jù)要盡可能做到實(shí)時(shí)，比如秒級(jí)或者分鐘級(jí)。那么你才能夠做到一個(gè)很好的且即時(shí)的重定向。然后，這個(gè)重定向其實(shí)會(huì)有一個(gè)長期價(jià)值預(yù)估的問題，可能更多的涉及到一些前后鏈路的問題。