大資料下的運營利器：精準推送系統

隨著頭條、抖音的陸續崛起，網際網路的流量時代已經結束，未來的網際網路一定是大資料+演算法時代。誰掌握資料和擁有更先進的演算法，誰就擁有了未來。隨之而來的基於大資料和演算法的精準推送（內容或商品等），也在我們生活中的各個領域遍地開花了。

那麼對於產品經理來說，基於大資料和演算法的精準推送系統怎麼去設計呢？

這裡結合我所在行業從系統結構設計層面（推送演算法的介紹網上有很多資料這裡不會過多涉及）和大家一起來討論下。 如果你想要學好大資料最好加入一個好的學習環境，可以來這個Q群529867072 這樣大家學習的話就比較方便，還能夠共同交流和分享資料

一、要清楚誰是我們的目標客戶，目標客戶有哪些需求

具體來說我們做精準推送，我們要充分了解所在行業的業務，梳理出我們的目標客戶是那些，更要清楚客戶在不同的情況下的不同需求。

例如：我在汽車後市場行業，那麼我的目標客戶就是有車族以及喜歡駕駛的朋友。這裡我就要弄清楚這些客戶需求什麼，喜好什麼，既要搞清楚他們的硬需求——審車、違章、油品和各種維保；還要搞清楚TA們的隱形需求——在不同天氣情況下和不同環境下需要的天氣預報，擁堵資訊等，只有掌握這些我才能見方開藥（如下圖）。

大資料下的運營利器：精準推送系統
透過梳理目標客戶的需求，這裡就可以梳理出整個推送平臺需要哪些基礎功能支撐（如下圖）。

大資料下的運營利器：精準推送系統
以上某些系統模組這裡不再做詳細的介紹，因為網上有很多相關資料。

二、要用大資料思想去做各個系統模組

所謂的大資料思想也就是我們在做的各個系統模組時，都要優先考慮相關功能的資料採集和統計；因為上述的各個模組一般都會優先於推送平臺去開發，所以作為產品經理要用發展的眼光去做這些功能需求。

特別是在做一些可能要為以後資料平臺提供支撐的功能時，更要為資料的提取、分析以及分析後結果返回等預留好介面，只有這樣才能讓系統擁有更好的擴充套件性。

另外在設計大資料平臺時，要從實際業務出發，從不同緯度去分析資料，做出符合實際業務需求的使用者畫像、使用者行為等基礎的資料服務（使用者畫像這塊這裡不在多討論，上篇文章已經詳細介紹過）。

只有在大資料思想指導下設計出來的系統模組、才能夠很快滿足精準推送所需要的基礎支撐，不至於在以後的開發中不停去修復之前系統所留下缺陷。基礎打好了，精準推送系統就是水到渠成的事情了。（汽車後市場行業各個畫像，如下圖）。

大資料下的運營利器：精準推送系統
三、要設計出符合行業和運營需求的推送引擎和演算法　

在有資料支撐和相關平臺支撐的基礎上,我們就可以設計整個推薦系統的核心——推薦引擎。

基本的推薦引擎由三個階段組成 分別為匹配階段、過濾篩選階段、輸出排序階段。只有經過推薦引擎的三個階段，才能儘可能精確地完成一次精準推送 (如下圖)。

大資料下的運營利器：精準推送系統
整個流程就是根據使用者畫像、車輛畫像和使用者的近期行為資訊進行計算，並得出這個使用者需要的內容畫像或商品畫像。

然後從內容和商品庫中篩選符合要求內容或商品形成一個推薦集，然後再結合使用者行為、車輛畫像和內容標籤、商品標籤等透過演算法對此推薦集進行篩選過濾。最後對過濾出的推薦集按照契合度、熱度等權值進行排序輸出給客戶，最終形成千人千面的內容和商品的精準推送介面。

舉例來說：一個有輛某品牌車齡為一年的SUV車主使用者，我們透過資料可以知道這個客戶本人喜歡自駕遊，喜歡聊天等愛好；還知道這個車主的車什麼時間審的車，行駛了大約多少公里，最近是否有違章，而且最近客戶行為曾經搜尋過機油等關鍵詞。

透過這些資料和行為，然後我們再結合最近的客觀因素（例如：天氣），我們就可以給客戶推薦相關的內容（自駕遊知識）、商品（機油、雨刷、輪胎、等）、話題和服務（維保、審車、違章處理）等等。

當然更復雜推送的系統，還要考慮流量分配，使用者的行為預測，系統智慧學習等等，這些綜合做起來就是一個系統的工程，這裡希望有更多同道去深入研究並分享出來。

總之，精準推送系統設計需要綜合的平臺特別是大資料平臺的支撐，其不同行業的推薦演算法也會隨著網際網路的發展變的更智慧，更精確。