京東產品總監朱文偉:利用AI加速構建營銷新模式(附大會PPT下載)

AI的本質，就是解決複雜場景的效率問題。

分享嘉賓：京東產品總監@朱文偉

本文為1月7日人人都是產品經理與騰訊大學聯合主辦的2017中國產品經理大會·上海站嘉賓分享內容整理總結，由人人都是產品經理合作夥伴@筆記俠 整理，部分內容有修改：

 

今天我會結合AI和營銷上的想法以及落地實踐的經驗，分享我們的一些思考。

一、數據是AI的根本

數據很重要。我們稱現在是人工智慧的第三次浪潮。有兩個決定因素比較能論證這件事情是可以成功的：

第一是計算力。舉例來看：英偉達最近兩年的股票價格增長是600%，從一家市值一百多億美金的公司，到現在已經突破了一千兩百億，這是一個巨大的飛躍，得益於人工智慧的興起。

第二是數據。網際網路在經歷了這十幾二十年之後，已經把用戶的習慣和數據慢慢從線下引到線上。現在網際網路時代整體收集數據和清洗數據成本比以往要低得多，我們可以看一下數據的重要性。

這裡涉及到兩部分，第一部分是數據的收集，第二部分是數據清洗。

1. 數據收集

數據收集的來源：

京東擁有我認為幾乎是網際網路上最完整、最精準、最高、最長完整鏈條的數據。

第一方面，京東商城一年有大幾千億的銷售額，十幾萬的商家，10億以上的商品每天沉澱在平臺上，有大量的數據可以為整體的後續營銷和人工智慧建設服務。

第二方面，我不知道大家有沒有用過京東白條？實際上像京東白條，包括理財產品，對用戶來講是有非常高價值的數據。

第三方面，是物流。今年4月份，京東宣布整個物流子集團成立，意味著京東物流從一個供給自身商城業務，擴展到社會化物流。我們現在也開始給大量的品牌方服務，可能這個商家在天貓開店，但它是用京東的倉庫，用京東的整個物流體系。各個地區行業的數據獲取可以更高，當然數據是永遠沒有止境的。

第四方面，東哥（劉強東在開年大會上）也提了無界零售。我們現有八家京X計劃，包括騰訊，今日頭條，都是行業裡最大的媒體和流量端。通過整個的數據清洗，讓我們的數據更完整。

數據收集的原則

網際網路真正地採集了大量的數據，這是人工智慧的第一戰場。在數據整個收集過程裡有幾個點，是我想強調的：

第一個，數據並非越多越好

如果有些數據是無效的，也不用刻意地生產很多畫像。

第二個，沒有應用場景的畫像沒有任何價值

舉個例子，比如你喜歡吃核桃，你又打王者榮耀，你覺得王者榮耀知道你喜歡吃核桃這件事情有任何價值嗎？他可能給你出個核桃的裝備嗎？聽上去好像沒有什麼商業意義。

第三個，大部分畫像都是一種概率

大部分數據，包括用戶畫像，你可以認為它是一種概率。比如，在我們家大部分電商的消費都是我來完成的，也會幫我老婆買一些女性用品，由於我其他行為也不多，可能我就會被定義為一個女性用戶。但實際上我在其他方面的行為並不是一個女性用戶，所以它會存在偏差。

第四個，不要過度關心用戶避免用戶焦慮

這個在網際網路早期比較多，總讓用戶填一些個人信息問卷；其實很少有人會認真地去填，所以儘量不要去打攪用戶。

再舉個例子，比如說杜蕾斯很火，我可能算出來了，你兩周肯定會買一次。那到點了，我就在APP首頁全部推送杜蕾斯，被別人看見，你是會覺得隱私被侵犯的，所以儘量地避免過度去關心。

2. 數據清洗

有了完整數據之後，還是要落地到商品的數據、內容的數據、店鋪品牌的數據，以及最重要的用戶畫像上。

我們在有一套標準的體系收集用戶整體鏈路之後，基於畫像的過濾和清洗形成了幾個維度：

第一，人口屬性

比如你是哪裡人？ 現在我們在網際網路上都要實名認證，通過你的身份證號可以得到你的性別、出生地，這些信息都是比較完整的（但我們絕對是保密的，我自己也都查不到每個用戶的信息）。當然有很多數據是來自於金融，得益於我們的這些強關聯。

第二，用戶的屬性偏好

你在京東的很多行為，我們會定義你的品類偏好，品牌偏好，包括商品的偏好，更細分的會在品類上。

以購買力舉例，你是買一千塊錢的手機，還是買一萬塊錢的手機，這裡會存在一個價格歧視的問題；但這個價格不是說一千塊錢的手機賣給你是一千，賣給他是一千五。而是說由於品牌的影響，兩個商品的差異非常小；但由於我覺得你的溢價能力是比較強的，那可能就會把更貴的商品推給你。

第三，垂直標籤

舉個例子，母嬰人群。很多人知道備孕的時候要吃葉酸，一旦你在京東買葉酸了，我就知道你可能離懷孕不久了。我們基於這個用戶的行為，可以推算出她在整個母嬰過程裡面的狀態：是在懷孕周期，還是baby剛出生。從懷孕到兩歲的過程，我們都定義為母嬰人群。我可以在你的周期裡給你推一段奶粉、二段奶粉、三段奶粉，這是一個非常強的應用場景。

第四，外部標籤

我們會有很多外部廣告投放，可以獲取到外部的一些用戶的標籤，這是電商所不具備的。

二、AI的本質是：解決複雜場景的效率問題

AI可以結合營銷場景，做很多在營銷上的實際應用。

在實際應用中我們定義，AI是解決複雜場景的效率問題。社會主義是提高生產力的很好的法寶，我覺得AI也是。

AI不僅僅是一個用戶產品，其實對內部提升運營效率也特別有幫助。

舉一個不是那麼複雜的場景：

案例：京東秒殺

1. 資源分配管理成本

我們在2016年年初才開始推秒殺的智能化，最早期是這樣做的：每天有十幾個秒殺場次，每個場次有50個商品，每個事業部不同的GMV目標，之前是靠運營同事把這些坑位一個個分給事業部，現在通過AI來處理：第一個資源位和第五十個資源位產生的價值是完全不同的，如果是最後一個和第一個來比，可能GMV貢獻度只有10%。這會導致資源管理的成本非常高，因為要精確到每一個資源位來看它的效率。

2. 資源撬動、激勵

從前端運營的角度，必然想把更好的商品放到更好的位置。

比如，三隻松鼠本來賣五折，基於歷史銷售來看，五折其實不是一個很有競爭力的價格，我希望賣到三折。

現在是很難去要求的，因為你給他的資源曝光已經非常固化了。放在第十個坑位就是那麼多曝光，只是三折的轉化率稍微高一點。

如果通過AI技術決定商家商品的坑位，商家能夠通過加強折扣力度提升排序，那麼就能夠激勵商家給出更有競爭力的價格。

3. 複雜場景下的用戶行為差異

這個例子是跟用戶相關性更高的，特別典型。

現在是冬天，大部分同學從深圳來，他可能要帶很多衣服，因為深圳現在氣候不是很寒冷；但是在北京，大家可能都穿著波司登（某羽絨服品牌）。所以不同區域，用戶其實有很大的差異，但不僅在於區域，可能在很多行為上會存在很大的差別。

基於單一頻道，我們有很多通用的模型，並且基於同一個頻道做了一些差異化建設。

第一個，考慮資源撬動的問題。不僅考慮打幾折，還要考慮這個折扣和歷史最低價、歷史銷售的對比；不僅考慮它自身的銷售怎麼樣，還會考慮它在品類裡排行如何。針對秒殺這種強促銷的頻道，我們會更多地考慮它的銷售庫存——一件賣一百塊錢的商品，賣一賣一百件和賣一萬件，對頻道的價值差異是非常大的。

第二個，看商品的實時效果。除了正常的數據以外，引入兩個基於這個頻道特性的數據：

• 預約量，我們會做24小時提前曝光。看這個商品曝光之後，有多用戶真正關心它，願意來搶。
• 售謦率。實時跟進銷售進度，銷售進度越高，會給一個權重。銷售很低的，從銷售補充的角度來講，也會給一些權重。

第三個，最重要的用戶的偏好。除了正常的品類、品牌偏好之外，我們會加上品類協同。可能這個用戶在A品類沒有什麼行為，但我們發現用戶在A品類和B品類上，是有一些銷售關聯度的，以及在某些品類上可能會有復購的問題。比如你買個手機，一般人應該不會在六個月到半年之內再去買第二臺，這樣的商品我們往往會給它做降權。

基於這些模型，我們去做整體點擊率和訂單轉化的優化，看哪些效率高，哪些效率不高。基於一個運營場景，比如針對618、雙11、優惠券等這樣強促銷的頻道，我們會給出不同的解決方案。

因為大促期間用戶的行為差異很大，我們會基於去年618或者去年雙11的數據，做專門的模型訓練，讓用戶在這個周期裡面的行為表現，更趨向於我們預測的現實結果。

可能有人覺得秒殺或者像淘寶、聚划算、淘搶購，它的促銷信息太強了，好像AI在裡面也起不了什麼效果，但從我們實際結果上來看，整體提升率能到30%。秒殺在雙11周期裡面，11月1號我們的銷售額突破了一百億。通過AI這個模型的優化，提升30%是一個非常大的量級。

哪些場景可以藉助AI解決？

第一個，從運營端來看，人的數量永遠是有限的。秒殺頻道有接近100號員工，這是一個非常大的量級。 京東內部的活動，每天線上有5000個，如果一個人負責一個活動，也要需要5000個人，這個規模是不能再去擴充的。

第二個，在京東這樣平臺（包括阿里），很多資源和流量都是按品類來管理的，每個品類都有銷售KPI，當它做活動的時候，比如生鮮做活動，是不太可能賣家電的。

結合這樣兩個場景，我們去看有沒有辦法提供一種更場景化的鏈路，來完成AI賦能。

案例：準備婚禮

在操辦婚禮的時候，有很多事情要做：要買家電，要裝修房子，要買喜糖，都是一些跨品類的長鏈路的行為。那麼，有沒有辦法把很多場景通過一個機器挖掘出來，再通過自動化的方式有效組織，以非常簡化的結構推薦給用戶？

在這個過程裡，有一些問題是必須要解決的。

第一個問題，場景怎麼來？很多場景很細分，而且幾乎很少有一個運營懂全局。

第二個問題，內容怎麼來？場景裡面有很多商品，有很多內容，總要有一個地方來確定這個規則去選品。

第三個問題，頭圖怎麼來？頁面裡會有個頭圖，它是一個氛圍圖。怎麼生成？ 以及整體頁面結構，頁面樣式怎麼確定？

考慮到這個場景確實非常大，我們最後的結論是讓機器來完成所有的事情。

如果場景數量是一個非常可控的量級，比如說50個，可能有幾個運營同事就可以搞定了；但當整個數量達到5000甚至更大的時候，人的力量是非常有限的，不可能為了這個頻道去招一千個人，從公司整體效率上來講也是不可行的。

同時所有的場景都在動態變化。舉個例子，比如叮咚音箱，包括小雅音箱，它也是一個場景，但這個場景可能在最近兩年才起來，明年可能有另外的場景方向，這是需要一個動態調整過程的，我們希望整體過程都是可以機器化生產的。

第一個：場景怎麼來？

我們把這件事情真正地交給機器。我們清洗了大量底層的數據，把所有的商品、內容、店鋪、商家、達人標籤化。然後去看所有用戶的行為：搜索行為、訪問行為以及去扒全網的，比如百度上熱搜，今天發生了什麼變化，以及去看不同的人群。總會有那麼一群人，他的行為是領先的，我們稱他為達人。他可能先穿著這件衣服，由於他穿著這件衣服就引領時尚了。這些人在京東的行為是怎麼樣的，我們希望可以把它聚類出來，形成一個場景挖掘。

我們挖了至少上千的頻道、場景出來。

但是頻道、場景挖出來之後，至少要輸出到前端給用戶，純粹的後臺數據是無法完成這個事情的。所以我們又設計了一個機制叫場景生成器——機器挖掘結果出來之後，提交給人，這個人負責總結頻道的名字和副標題。

我們知道，百度、京東、阿里可能都在做AI寫作，我們在內容生產上也做過很多這樣的嘗試，發現效果確實不太好。它寫出來的東西（特別是這種短標題），往往是人無法理解的，或者它可能是一個純粹的品類詞，場景感非常弱；所以現在我們這部分是人在做的。確定名字之後，內容質量是人可以理解的場景下，我們會調用整個的場景頻道服務。

場景生成器的作用

第一，判斷品類特徵，找到適應它結構。比如我買快消品，你買可樂，幾乎沒有人會去看商品詳情頁，大部分人是在列表加購，但是你去看3C商品，買手機的時候不太可能搜iPhone直接加購，這個決策成本是不太可能在這麼短的鏈路裡完成的，我們基於這種不同場景會生成不同的頁面結構。

第二，抓去場景下內容自動生成頭圖。京東內容生態已經生產了大量的內容，在這裡面，我們抓取合適這個場景的圖片，結合標題生成頭圖。

第三，基於機器學習方法召回排序。基於前面挖掘的結果，通過一系列召回策略，生成一個頻道，並且把它投到線上。

案例：怕熱星人

我們頻道4月份剛剛上線，在6月底的時候發現一個特別有意思的特徵：運動飲料、家電（主要是空調、冰箱）這些商品的銷量，有非常一致性的提升，結合機器的推薦生成了這個頻道。

最好的時候，7月份和8月份這個單一頻道，佔整體頻道銷售額的20%到30%。

案例：東家小院

這是一個名字特別有京東特徵的頻道，東家小院是我們第一次通過整個大數據挖掘、機器學習和圖像智能的方法，去嘗試一個「準無人」運營的頻道。這個「準」就是因為前面我們人工來定標題，隨著技術進步，理論上可以讓它變成一個完全無人運營的頻道，大家可以在京東APP的首頁入口非常靠上的位置找到它。

我們從500個頻道池裡面選了6個露出在首頁，所有的入口都是基於用戶行為的個性化的，而且這個個性化是非常實時的，基本上你點了之後再刷一下就變了。同時，我們也做了整體到內頁的入口圖的聯動，內頁也會基於所有用戶的行為做相關聯推薦，以及商品和內容的個性化召回——這是我們第一次嘗試的一個完整的AI鏈路。

這是整體上線之後的一些數據表現：藍色是UV（Unique Visitor，網站獨立訪客），黃色線是GMV（Gross Merchandise Volume，成交總額）。

可以看到：從4月份開始到12月份，GMV的增長比UV還要大。

在這個過程裡，我們做了非常多的模型優化，並且最早的頻道從一百增長到現在五百多，整體的效率在雙11周期達到了最高峰。

其實UV在12月份還在增長，但為什麼11月份對應的GMV是高點？因為在11月份京東的用戶購物熱情上漲，看到東西就買，導致我們頻道整體的銷售也出現峰值的情況（幽默）。這個UV數據現在差不多是幾百萬的量級。

三、AI是持續學習的過程

AI不是一蹴而就的。

從前面的增長數據來看：

第一，需要經過大流量的驗證

AI除了數據以外，就是計算。通過流量的驗證，可以收集到大量的用戶行為數據。

這個和Alpha Go是不太一樣的：Alpha Go的規則相對簡單，只要告訴它怎麼下是合法的，怎麼樣算贏就可以了。10月份DeepMind團隊宣布了Alpha Zero通過40天的自我學習，沒有接受其他任何在網絡上收集的棋譜數據，就打敗了原來的Alpha Go。給它數量只有兩個：第一個，下棋的規則。第二個，怎麼算贏？讓它不斷地自己和自己下。

我所說的很多人都無法想像的一些策略，但是在電商的領域，或者大家面對很多To C用戶的時候，用戶的數據才是價值，這是需要強輸入的。

第二，基於用戶體驗

還是舉前面的例子，幾乎不太會有用戶希望自己被推薦出來杜蕾斯：當別人看見的時候，發現你跟我用的是一個牌子——很尷尬是不是？

有些場景機器是不了解的，但是人了解，這個體驗需要人來設定規則去做控制。

第三，業務的平衡

大家都知道京東的強項是3C，是家電。如果任由機器去做，導致的結果可能是你看到的永遠都是3C，都是家電——因為從GMV產出來講，這樣的品類效率是最高的。

比如，買一臺iPhoneX，現在是一萬塊錢，但買生鮮的客單價可能就是一百多，這是無法相比的。所以在這裡面我們要考慮更多的業務場景，包括品類的均衡。

在用戶看到的時候，不僅是體驗，也是業務因素，要給他更豐富的品類；以及當一些品類新出來的時候，比如京東的7 FRESH剛開張，像這樣的新品類，如果不靠一些戰略扶持，冷啟動是非常難的。因為沒有任何的用戶偏好，用戶沒有任何的行為，更談不上品類協同，這就需要一些人為的加權來做幹預。

四、平臺化，賦能更多場景

整體上，如果我們只是做單點的研究去推薦，那麼AI這件事情其實就失去了價值。因為這樣的話需要基於所有的場景做獨立化訓練，實際上並不用——可以把它建成一個平臺化的能力，讓它可以應用到更多的場景，我們建設的平臺叫京東營銷投放平臺。

它集成了基礎的個性化推薦、精準投放、業務補充和自動化運營能力。

簡單的以精準投放能力為例，對於7 FRESH，在APP裡，只有當你在那家店周邊三公裡它的可配送範圍內，我們才會把入口開放給你。

以及有很多很複雜、很繁瑣的事情，包括一些業務信息的補充、異常過濾、算法的分流、數據的清洗，這是一個持續優化的過程。以及我們通過這個平臺建設，賦能到更多的業務場景。

現在通過京東營銷投放平臺覆蓋到的APP、PC的首頁、618大促活動（包括一些三超的品牌活動）、通天塔、優惠券頻道等，這些場景可以非常快速地接收，包括前端的埋點、數據清洗的整個過程。

當然很多時候我們提供的是一些比較通用的模型和方案。當一個大流量的業務需要做深度優化的時候，我們也會基於這個場景去做完整的深度鏈路的優化。

五、全新營銷模式正在加速形成

我們在做AI建設去影響營銷過程的時候，到底發生了什麼？

我用三個關鍵詞來總結：

第一個，規則化

傳統的營銷模式，是基於人對流量和資源位的管理；但是類似於東家小院這樣的頻道，它是形成一個規則，人是不需要參與的，或者說人在裡面起到的是監督的作用：我知道什麼樣的商品能進來，什麼樣玩法的內容可以參與。

第二個，開放化

由於自動化引入，人的效率大大提升，或者說人可以釋放出來了，營銷曝光的資源更多了。在原始的運營模式裡面能參與的商家只有頭部，而現在京東16萬的商家，大量商家可以參與。

在這個規模裡，最多20%的商家可以在整個京東營銷資源流量裡去玩，剩下怎麼弄？自己去做搜索。

通過規則化的實施，更多商家可以參與進來。

第三個，個性化

前端流量效率的提升，伴隨而來的是銷售越來越長尾。

京東從最早的標品賣手機、賣家電這種標準化的東西開始向生鮮、向時尚這樣的品類去做，核心的因素就是：在大流量下用戶的需求差異化非常大，而京東自身特別是做自營，其實做不過來。

京東自營現在的SKU種類也就一百多萬，加上圖書可能有200到300萬。但是用戶的需求是永無止境的，要讓這十幾億的商品真正地滿足，可能這個量還不夠；淘寶上有因為有C店，量級可能會更高。

基於不同用戶個性化需求，可以讓很多細分領域的商家存活下來，在這個平臺更茁壯地成長。

以上為嘉賓演講內容。

相關閱讀：

如果覺得知識「貴」，那你試試無知的代價｜2017中國產品經理大會官方回顧（附PPT下載）

金融科技的產品使命（附大會PPT下載）

知識付費，下半場怎麼走（附大會PPT下載）

6個步驟，打造讓用戶痴迷的產品（附大會PPT下載）

嘉賓PPT：關注 人人都是產品經理微信（ID：woshipm）公眾號，在後臺回復關鍵詞「大會」即可獲取下載地址。

本文為2017中國產品經理大會北京站嘉賓分享整理總結，未經許可，禁止轉載。謝謝合作