【流媒体网】消息：2020年6月17-18日，由流媒体网主办的第十九届三晋论道暨中国IPTV/OTT智能视听产业高峰论坛，在山西太原富力万达文华酒店隆重举行。本届三晋论道以“融智2020——视听激荡与变革”为主题，吸引了来自产业链多方的核心人员，针对当前受疫情影响下视听行业的大变化、大调整、大机遇展开了探讨和分享。

　　在18日上午的主论坛上，神策网络科技(北京)有限公司业务咨询师陈世键发表了主题为《IPTV实现数据驱动之道》的演讲。

　　以下为演讲全文：

　　大家好，我是神策数据的业务咨询专家陈世键，今年是第一次参加三晋论道，非常高兴能在今天跟大家分享一下关于IPTV的实践，我们去年开始跟广东、云南、江苏相关新媒体机构开展大数据建设、智能推荐应用方面的合作，今天我的分享主要是围绕我们之前做的一些实践的案例。

　　IPTV业务如何数据驱动？

　　数据驱动这个词，在场很多朋友都听过，在IPTV大屏上也能实施。从市场数据来看，有一个结论是：大屏60%-70%的用户首次订购是来源于推荐位的推荐。所以运营提升订购非常重要，但我们该怎么进行推荐位的数据化运营，也就是实施数据驱动策略？

　　推荐位的数据运营要看两个数据，第一个是各个推荐位的流量，这和推荐位本身的位置有关，也和影片本身的热度有关；第二个是推荐位的转化率，比如美食纪录片的推荐位，100个未订购用户点击进去以后会有多少个用户下单订购，这个就是推荐位转化率。

　　有了数据之后，怎么进行数据驱动？如果我们把所有的推荐位按照上图排布就会发现其中的规律：右上角的是高流量高转化，右下角是高流量低转化，左上角是低流量高转化，左下角是低流量低转化。

　　我们通过数据发现这些问题后，给到的建议就是：把左下角和右下角运营位带的内容进行对比和位置互换，把一些更多的流量给到高价值的影片，而对于低价值的影片把它的流量进行下降。这带来的结果是，即使平台的用户、流量没有大的增长，但是流量得到了更高效地利用，那么IPTV平台的订购就能有一个可预期的增长。

　　这个案例里我们看到通过数据分析驱动运营编辑的改动和变化，我们看到数据驱动核心的三个要点：

　　第一，用自己IPTV大屏的数据，而非外部数据。自己平台的数据得出的结论肯定符合平台上用户的消费习惯，这对运营工作会有直接指导意义。

　　第二，数据驱动要和运营做结合。只有数据不代表数据驱动，数据服务于业务，帮助编辑和产品经理改善工作流程，给出一些科学的决策依据，这就是数据驱动的闭环。

　　第三，分析数据的效率很重要。数据不能第一时间给到一线业务人员，就没有实际价值。

　　精细化运营如何实现？

　　数据驱动，或者大屏的精细化运营，一般分为四个阶段：第一个阶段是建设数据系统，要有自己平台的真实数据；第二个阶段是业务人员能够快速高效地看到数据；第三个阶段是分析数据，需要数据分析师，向业务人员提供更快速和专业的建议；第四个阶段是更加精细化、个性化地应用数据，针对不同的人做不同的营销计划，达到千人千面，把数据应用到平台业务中。

　　在搭建数据系统时，神策认为有一个核心原则——以终为始。数据本身是为了数据应用，数据系统也是为此诞生，所以最核心的第一件事是想清楚接下来发展的业务重点有哪些地方需要数据支持，也就是我们的数据需求。

　　有了数据需求之后，我们才能更好地选型，比如是要做千人千面？还是做用户的精细化运营？还是做会员维护？这个涉及到：我们接下来到底是建一个千人千面的智能算法还是要建立用户标签平台？还是建立用户行为平台？这都是数据需求决定的。大屏和小屏的互动，大屏需要哪些数据，小屏需要哪些数据，选型决定了最终应该怎么处理数据，怎么采集数据。这其实也是数据提升IPTV平台建设的核心原则，就是以终为始。

　　此外数据效率问题，比如编辑要做编排调整的时候，需要看到最近的热播数据，很多时候都是通过大数据平台制作报表。一般来说报表能满足40%-50%的数据需求，但需要做更细致的数据分析时，比如分视区、分层区的数据，就需要通过跑代码去做，过程有长有短，可能快的一周，慢的要半个月。这种情况效率就无从谈起。包括甚至编排之后，要做相关数据分析时还需要分析师的支持。针对这种情况，我们会用一个工具来解决这个问题，给大家简单演示一下。

　　这是我们神策数据的核心产品——神策分析，它核心的功能是，给到业务人员自助获取数据的能力——业务人员在系统界面上操作后即可看到各个时段直播的人数情况以及趋势。比如最近直播人数在上升，到底什么原因导致上升？哪个频道直播人数在上升？通过自助查询数据，查询直播上升的维度，就会得到业务发生变化的原因。

　　除此之外，如果要看点播的数据，也是通过灵活的数据点选设置之后，就能看到业务数据里的细微变化，这种模式就和传统的看报表大不相同。业务人员要看什么数据，登录平台之后进行点选设置操作就能查看，是一个实时的过程，分析工作也就能变得高效。

　　结合数据做业务运营时，核心是三个链条。第一个链条要梳理业务流程，包括用户开机、试看等行为，这些梳理过程的目的是为下一步提炼可优化的方向。我们要提升业务表现，每个漏斗可能都会有优化方向。

　　第二个链条，是在梳理的业务流程中，提炼数据驱动优化方向，比如，对于产品来说，可以是优化点播详情页的布局，提升页面试看率。对运营或者编辑来说，可以去优化用户试看后的订购率，比如用过会员试用、打折等方式进行营销，提升首次订购率；

　　第三个链条，业务优化工作最终要落到组织架构上。比如说产品页的优化，我们要把它作为一个产品人员的KPI或者OKI，不断优化产品或页面的转化率。对于编辑来说，围绕提高首次订购率，或者提高续订率，把这个作为部门或者人员的工作目标，才能把大的业务方向与个人工作进行紧密结合，这才是所谓的数据驱动业务。

　　数据应用场景

　　最后我分享一下关于数据应用的一个场景，是我们目前已经和广东、云南合作的智能推荐。此前和很多厂商交流时，大家都会问一个问题，就是如果我们要做成千人千面，或者说像今日头条的个性化推荐，是不是所有的内容都要打上非常丰富的标签，才能实现千人千面？其实主流的算法，像神策智能推荐采用的深度学习，不需要内容标签即可实现内容的个性化推荐。

　　在实际应用中，我们只需要三个内容：用户的ID，每台设备ID，用户在什么时候播放什么内容？只需要这三个信息，我们把过去三十天的用户记录采集回来之后，就可以进行深度学习模式的训练，就能实现个性化推荐。其次，我们本身的推荐服务是能够直接对接前端或者后端的服务，在某个模块或者整个页面上实现千人千面的效果。

　　此外，深度学习还有三个优势：

　　第一，深度学习能够结合更多的用户行为，包括用户的收视行为，甚至能在实际实施的深度学习算法里加入用户浏览页面、收藏、搜索等数据信息，这样更全面表达用户的偏好。比如用户可能搜索过某个类型的电影，最终他没有发现到他自己喜欢的，但是我们当前用收视的数据链看的时候就会忽略到详情页的浏览和搜索的行为。

　　第二，深度学习能结合内容播放的顺序。我们做电视剧推荐的时候，有先后顺序，比如我们已经看到第八集，如果推荐的时候还是把前面的一二三四都推荐出来，这个时候它是无效的。但从本身的相关性来看，第八集和第一集也是高相关的内容，在深度学习里我们会考虑这些顺序，在用户看第十集的时候很少会给他推前面九集。

　　第三，深度学习能够考虑更多复杂用户行为。因为大屏面向家庭，下午是小孩在用，晚上是父母在用，深度学习也会考虑到不同时段用户的偏好不一样，他在不同的时段看到的内容也会不一样。

　　这就是深度学习算法的特点，第一它不依赖于内容标签，第二在学习的效果上也会更贴合大屏本身的产品和特点。

　　我的分享就到此为止。谢谢大家。

　　直播及回看请识别二维码

责任编辑：侯亚丽