在企业服务用户的过程中，随着用户量和数据量增长、数据维度愈发复杂，传统规则和人工操作很难满足海量的数据匹配与挖掘需求。为了在快速变化的市场环境中维持最优的增长效果，同时建设好“以用户为中心”的用户运营体系，每个企业都希望能够在最短的时间内达成目标。这时候企业通常会关注到一种解决办法：算法模型。不过，算法模型在应用的过程中面临着前期投入高、维护复杂、准确性浮动、性价比难以衡量等问题，让很多营销增长团队决策是否要“上算法”、“上什么算法”、“上了算法是否有用”等问题上反复衡量，一直很难下定决心。今天这篇文章，我们带着7个关于算法的问题，采访了明略科技集团资深全域增长与运营专家团队。看了今天的文章，相信“上不上算法”，您一定会有一个更深入的了解。

问题1 如何判断一个企业是否需要“上算法”？

其实这个是在解释“为什么”需要上算法的问题，最简单的判断标准就两个字：“瓶颈”。在业务增长上遇到了某种“瓶颈”，现有的方式无法突破，企业里沉淀的用户数据感觉没有发挥价值，这种时候可以考虑“上算法”了。

1）纵向“瓶颈”在“以用户为中心”的运营场景下，无法更加深入、精准地对人群进行触达和精细化运营服务。比如，公域投放中，媒体标签不足，无法通过现有的标签体系进行更精准地投放；现有的投放ROI一直难以提升等。私域运营中，规则类标签和简单计算不足以满足目前的用户管理和精细化运营需要。 

2）横向“瓶颈”横向的“瓶颈”，主要是出现在企业既有目标用户群体的渗透率已经足够高，希望在目标用户、人群、品类上进行横向拓展，或者进行交叉销售的场景时遇到阻碍的情况。比如，一些产品原来的增长目标是某类母婴人群，现在需要横向拓展到更多女性群体；原来的目标受众是职场女性，现在希望横向扩展到职场男性等。

另外，还有一些内部交叉销售的情况，希望在内部复杂的子品牌体系中横向拓展，交叉销售。这些场景其实每一个ToC业务都会遇到，我们判断“瓶颈”的标准是，现有的规则方式、人工方式无法满足需求、效率过低或者持续无显著增长，就可以考虑“上算法”了。但是，如果品牌刚刚起步，数据积累不足或是通过人工或简单程序化的方式可以进行维护，目前也可以不用考虑。

问题2 “上算法”的优势VS局限性是什么？

算法本质上是帮助企业进行数据能力的构建，当数据多了之后，普通的处理方式效率低、速度慢，没办法满足需求，这个时候就需要利用AI算法高效达成计算目的，输出相应的业务需求。在业务增长中，如果使用算法，主要会为增长体系提升以下几方面的能力：

• 高维数据分析挖掘能力，解决数据量大、维度多无法快速统计分析和整合用户数据的问题。
• 个性化匹配能力，快速寻找合适的人群，进行产品、内容的个性化匹配。
• 精细量化能力，能够把业务优化问题（例如提升GMV），层次化地分解成对多个过程数据指标的监控和优化问题，有针对性的对不同环节地进行预测诊断和及时干预。
• 全局优化分配能力，在对业务场景问题（例如预算分配）进行合理的抽象后，可用运筹学模型计算全局最优解。

当然，使用算法也是有一些局限性的。比如，算法模型的制定需要清晰的建模目标、可量化的评价标准；需要完备的数据链；需要业务场景特点与模型假设一致，同时也会存在相较人工经验相比业务可解释性较差等一些问题。

问题3 算法模型一般会适用于哪些业务场景？

通常，算法会帮助企业基于现有的多维用户数据进行分析挖掘，我们总结了一下基本的应用场景：

• 用户行为趋势预测，包括对人群的转化倾向、复购倾向、留资倾向做预测，以帮助业务端进行营销的决策。
• 个性化匹配，通过细粒度的人群规划进行触达渠道、沟通时间、产品优惠、推荐商品等匹配推荐，帮助多产品线企业做到搭售与交叉销售推荐。
• 全局优化分配，比如对整体的预算、流量进行分配，或进行整体的成本控制。
• 营销策略自动调优，能够实时对营销策略进行调整，并对营销活动进行监控预警。
• 营销效果测量与持续优化，通过营销归因、收益测算、策略对比等，帮助企业在策略选择上不断优化，做到最好。

问题4 涉及全域增长方面的有哪些算法？

这里有一张图，针对增长运营中可拆解和量化的问题环节，明略科技目前均有相应的算法提供可持续优化的决策支撑。算法模型的构建从状态/意图识别、个性化匹配、全局优化分配、投放控制、效果评估这几个方面看，我们总结了一下常见的一些算法。

1）状态/意图识别类此类算法通过识别用户意图预判用户生命周期状态变化，衡量个体对不同渠道/内容/时机的触达敏感性。包括类似转化倾向、复购倾向、留资倾向、优惠敏感度等算法。

2）个性化匹配类这类算法，主要以状态/意图识别类的预估结果为基础，预估不同触达策略对于个体用户的收益，产出基于收益的触达动作/内容的排序。比如通过算法输出，对个性化素材、个性化渠道、优惠策略和商品进行精细化的用户触达。

3）优化分配类这一类算法通常以个体收益的预估结果为基础，对营销资源做顶层的优化分配，实现给定成本下的全局收益最大化。比如，进行媒体投放预算分配、流量分配和成本控制等算法。

4）投放控制类这一类算法，是基于对外部趋势的预估制定活动执行节奏，使用预测控制等算法对活动执行的节奏进行科学的控制和矫正，应对投放中的各类外部规律变化。比如智能出价和智能流控。

5）效果评估类这类算法以小流量实验等为手段沉淀迭代运营策略，通过AB实验等方式评估对比策略效果，通过归因模型等手段科学量化增长贡献，在效果评估和归因上有很大的提效。比如像是营销归因、营销组合、收益测算、策略对比等算法。

目前市面上大部分的CDP产品都会有一些预置算法，基本上是一些通用性较高，不受用户类型和时间影响的算法，比如lookalike、营销决策自动优化等算法，同时也会支持A/B test等实验模块，方便快速对比算法的实际效果，在一定程度上，也已经满足了很多企业的需要。但是如果涉及到一些个性化的需求，比如个体消费者复购倾向预测、差异化定价/补贴策略、sku交叉销售等，就需要进行算法的定制化了。

问题5 算法很复杂，真的能用起来吗？

算法模型确实是一套比较复杂的体系，企业部署的CDP产品，常规界面是可以让业务人员或者运营人员进行操作的，但是算法模型目前还不能完整做到去代码化，很多时候需要数据科学家的支持。我们在服务企业的过程中，看到很多大公司会建设算法、数据团队。通过对自己内部数据的理解，结合CDP、MA等工具，对算法的建设、使用、迭代和优化。不过这样的方式有时候因为算法不够贴近业务，在准确性上会有一定的影响。另外，还有一种模式，就是通过与像明略科技这样提供全域用户增长产品及运营服务的团队合作。明略科技的团队中包含数据科学家、业务专家等多重角色，可以快速根据企业的需要设计出对应的算法，帮助企业从零到一，将算法跑起来，应用并迅速验证效果。

问题6 怎么衡量投入产出比？

这个确实是一个很实际的问题，也是很多企业关注的问题。通常我们衡量投入产出比，要先评估算法的难易程度、投入情况，再去比对效果进行评估。如果是刚刚我们说的产品内常规的一些基础算法，基本上在购买产品中预置了，这一部分的投入其实是相对较小的。另外就是定制化的算法模型，这一部分就要看算法模型的复杂程度和后续带来的效果这样一个实际的转化情况了，我们目前会采取一些小范围验证的模式，先用一个项目、或者一个活动去做一次算法模型的实际验证，看到转化后，再测算转化率，这时候就能算出来大约的一个转化情况了。

问题7 可以举一些实际应用的例子吗？

之前我们的一期节目里有讲过一个母婴品牌的案例，他们主要是构建可一个因果推断的模型，经过验证确实是在转化率和客单价上都有明显的提升，比如转化率提升300%多，客单价提升42%。

另外，比如我们服务企业的项目中，像是这样一个优化分配类的算法，我们通过对业务目标的拆解、对数据进行整理和输入，最终形成一个非线性需求规划的算法场景，帮助企业在公域营销场景下的做到预算全局最优分配。这样一个案例大大提升了企业对公域投放分配的测算效率和准确性。

另外，再举一个效果评估类的算法案例。比如这个，我们其实是通过对用户购买路径的购买进行一个归因分析，最终将用户购买路径上的潜在重要节点进行梳理，方便后续进行投放资源的优化和分配，以便于精准触达。

以上，我们就算法相关的问题进行了一个拆解，我们认为以CDP+MA为核心产品的全域用户增长体系中，算法模型是复杂体系中提升数据整合和分析能力的关键。明略科技在持续不断服务企业的过程中进行积累，并提出“脑”+“手”结合的模式来帮助企业实现全域精细化运营。以CDP为“脑”提供全域数据整合分析能力，实时感知企业当前状态，以MA为“手”提供用户敏捷运营能力，给企业提供实时最佳体验，结合企业的数据、业务与运营情况，为企业搭建以用户为中心的全域运营与增长体系，帮助企业持续增长。