01

全链路最优投放概念

传统的投放系统，有很重要的三个因素：人、货、场。

在什么时间什么地方（场），将什么东西（货），投放给什么样的人（人）。

这是属于经典的人货场匹配的问题，但这样一个典型匹配问题，有典型的几个弊端：

1、无法得知自己投放的人群是否合适？（人群精准度问题）

2、无法有足够多的货物进行推销（货品丰富度问题，电商领域一般称为SKU）

3、无论效果如何，都无法知道下一次应该做什么（调优问题）

所以，全链路智能最优投放是如何解决和构建的呢？

其实全链路最优的概念，大概十年前传统运营商就已经提出这个概念了，传统运营商在短信影响、彩信推送等方面已经不断摸索且提出该概念。

所以直到今天，对于投放而言，基本上属于一个已经被透的系统设计，类似于电商的订单系统、物流系统一样。

我这里仅仅是结合自己真实的实践，从相对完整的角度，给大家呈现大全链路最优的产品思路，抛砖引玉，望共勉。

全链路最优，从概念上其实也可以看出，智能投放引擎的本质是讲传统的投放系统划分为生产、触达、调优、追踪四个环节，并且在每个环节追求效益最大化，从而达到结果最优化。

02

生产部分：智能生产

主要解决货品丰富度问题。

传统的投放，依赖运营或业务手动不断完善补充货品，包括SKU类目、广告文案、策略效果、展示UI，智能生产的目的就是从智能的角度提升丰富度，这里注意细节，该环节包括了人群。

智能人群典型的处理方式包括三种：

标签推荐：根据既往数据，推荐用户特征或用户标签，根据标签可以定向推送

LooKalike：人群推荐，即根据已有的种子人群，可以推荐符合该特征和属性的人群，从而扩大曝光量，扩大数据底盘量

人群优选：对于已经圈定的人群，进行智能化的优选，属于人群精简的范畴，选出更加精准的人群

智能创意主要解决表现层丰富度问题：

对于包含文案的货品，根据货品属性、标签智能化的辅助生产多样性文案，或者根据关键词生产系列文案。

典型场景如广告投放、游戏弹框投放等。

03

投放部分：智能触达

主要解决如何智能投放问题。

传统的投放一般手动投放，设定好投放周期、时间、投放频次等，但是过于生硬，不具备匹配最佳的思维。所以主要有以下两点：

1、策略包机制

策略包机制主要是由于不同策略投放场景和相关规则不同，需要查看各个策略的投放效果，以此来判断是否要下线、推全、更改文案等等，但是即使更改完毕后，也不完全确定调整后的效果，相对滞后。

所以制定一整套包含规则的策略包（eg文案包、图片包），通过内含的逻辑规则进行规律性的触达透出。

2、智能场景

主要是从智控的角度控制投放的频次、货品优先级、货品投放逻辑，主要有以下几点：

确定货品大类的优先级，然后在优先级的底线和天花板之间，有算法依据业务用户的标签决策优先级。

设定最不可忍受频次，然后依据用户历史数据和业务KPI，由算法决策最佳投放频次。

多个文案，效果达到AB阈值后，由智能引擎自动进行效果推全/下线。

04

线上部分：智能调优

智能调优解决手动分析数据、手动决策优化方向的问题，目前有如下两点：

1、特征自调优

用户标签、用户特征本身精准度的优化，包括离线优化（T-1优化）、在线优化（T+0优化），通过不断提升具体标签的准确度，来提升多个特征组合后的人群的精准度

2、人群自调优

对于已经投放的人群，线上自动根据时间、行情、用户属性以及货品属性的变更，自动调整人群的范围，不断的动态圈人，以此实现人群自调优。

05

数据部分：评价体系（一）

一般情况下，数据评价体系分为：数据展示、数据归因、数据洞察。

本次先讲解下数据展示，也即评价体系最基础的模块。

通过SQL查询数据库不是不行，但是我觉得大部分PM应该深知其痛……对于运营/业务并不友好，所以搭建一个简易的数据报表以及AB报表将会极大的提高业务数据判断能力。

数据报表不过于赘述，因为不同业务其数据依据分析目的不同，展示逻辑也不相同，可以一定程度上参考下易观、神策。这里简单的呈现下AB模块的交互稿示意。

对于智能触达系统，我还在不断的探索，所以将阶段性的全链路最优的思路分享共勉，仅仅对于投放来说，全链路最优是没问题的，但是对于智能触达的系统构建来说，这仅仅是摈弃了手动投放的第一步，所以后续如果有更好的方案进展，我会不断续更，希望对大家有用。