5月12-13日，由流媒体网主办、河北广电无线传媒股份有限公司、中国联合网络通信有限公司河北省分公司、中国电信集团有限公司河北分公司、中国移动通信集团河北有限公司协办的第21届论道暨中国IPTV/OTT智能视听产业高峰论坛在河北正定隆重举行。

本届正定论道以“智屏无界”为主题，吸引了来自产业链多方核心人员，围绕当前从视听到智能视听、从大屏到智慧大屏的转型升级路径展开探讨与分享，为视听产业各方挖掘新价值、抓住新机遇、跟上新时代提供了有益参考。

在5月13日上午主论坛上，神策网络科技(北京)有限公司 融合媒体事业部首席专家任晋做了主题为《玩转智能推荐 构建内容运营新体系》的演讲。

以下为演讲全文：

大家好，我是来自神策数据融合媒体事业部的任晋，神策数据成立于2015年，是一家专注大数据分析和营销科技的公司，目前已经完成C+轮融资，业务涉及互联网、融合媒体、汽车、证券、保险、银行、零售等领域，经过几年的奋斗，近年来我们在广电、媒体等细分领域也取得了一些小小成就，贵州IPTV、云南IPTV、新周刊等等都是我们的客户。我们神策有一个理念，不仅希望产品可以卖出去，更希望能给客户带来价值。对我们产品感兴趣的伙伴，欢迎去神策数据官网体验demo。

数据可以帮助我们做什么？

数据可以帮助我们了解业务现状：看每天收视情况、订购情况，日报、周报、月报，虽然这些事情很多人都在做，但会存在以下两个小问题：

第一，如何知道不同时段每个终端在平台上的使用习惯？用户喜欢通过什么入口观看点播？看完一个节目如何完成下一个节目的观看？我们在很多省份可以看到个人中心的PV远大于我们很多栏目页的PV，这时，栏目页做得再好，对业务帮助也不会很大。

第二，新上线一部电影，我们发现付费转换率很高，有90%多，但是每天的付费收入却很少，我们需要探索原因，就需要了解该内容到底是在哪些资源位有曝光，了解每个资源位的付费贡献是多少。

所以，数据可以帮我们分析业务的过程，它并不只作为简单的数据结果统计。

另外，数据还可以帮我们了解用户。比如，当我们了解某个终端的收视习惯时，就会挖掘出“用户的收视时间段集中在什么时候、每周是看1次还是看3次、是否喜欢搜索、最常订购的是什么产品、订购周期是多久”等等很多场景。

而且，数据还可以帮我们了解许多运营场景。比如，我们想做活动，就会挖掘出“这个活动推给哪些终端比较合适、这些终端有多少人会参与活动、参与之后效果表现如何、对我们业务有多大帮助、下次还能不能做”等等场景，我们基于数据形成一套完整的活动运营流程，让活动的效果越来越好。

当然，数据能发挥作用的地方还有很多，我们今天主要聊一下基于数据，如何打造智能推荐平台。

数据的应用

首先，我来跟大家分享一下 IPTV 业务的四大特征。第一，终端角色变化。我之前与一些台里的老师们交流时，大家都提到终端收视角色的变化，当每一个时段收视的角色都在变化时，要如何判断收视角色？这是一个很大的业务挑战。第二，内容曝光次数爆点。由于大屏的使用习惯问题，导致我们虽然有那么多的栏目，但用户看到和感知到的只有20%，剩下80%的栏目压根看不到。我们每天花时间做不同时间的排单表以及运营动作，如果用户看不到，那我们的付出就没有意义。第三，收视连续性，这其实和短视频平台有非常大的区别。有人说可以把其他互联网的数据搬过来用，讲了一套互联网的方法论，但这些到底能不能用呢？希望大家有一些思考，因为各个业务的用户收视特征差别很大，需要根据我们自己的数据做一些迭代和业务决策。第四，内容安全，内容安全是头等大事，是原则问题，必须重视。

基于这些特征如何做智能推荐？我们总结了一个三维的推荐模型。第一个模型是要做到终端角色的匹配，即需要找出当前时段用户特征到底什么样。第二个模型是媒资内容的匹配，也就是如何找到更好的内容。第三个模型是用户行为路径匹配，就是用户的操作习惯到底是什么样的。基于这三个点，最终需要给当前时段的终端用户找到媒资内容，然后在一个合适的栏位展示给用户，最终实现业务增长。

怎么去做？下面我做具体拆解。

首先，找到合适的人。现在IPTV平台可以得到什么数据？第一是终端，第二是收视，第三是订购，第四是EPG。得到这几个数据之后，我们的智能推荐平台首先会做一轮基础标签的抽象，会拆成6大类标签：基础信息、收视习惯、收视类型、收视内容、搜索偏好、订购偏好这几个标签。比如收视习惯标签，包括开机习、栏目的停留习惯、周末喜欢看什么、平常喜欢看什么，我们都会做抽象标签。基于这些抽象标签，会进行用户的特征挖掘。或者比如说用户的付费特征，包括用户一般是在什么时间点去付费，以及用户收视类型趋势的变化，比如一天中四小时内收视类型的趋势变化，到底从哪一个类型到哪一个类型、中间是什么特征……我们会挖掘出这样的信息，最后基于用户特征去完成推荐。

为什么神策的推荐会比较准，因为我们的推荐模型是基于机器算法，而且这些标签以及特征是根据用户的实时行为不断进行迭代。

有了终端画像之后，就可以看一下媒资内容的匹配。比如某一个地区的用户最喜欢看某一个内容，我们会在这个内容上打好时段、地区、喜好的标签。一个内容放在不同的栏目中，我们会根据栏目的收视数据打上一个栏目偏好标签。同样，比如用户看了《甄嬛传》，然后又看了《康熙微服私访》，我们会打上看完前向或者看完后向的标签，内容和内容之间本身也会有相关性。另外还有其它的特征，比如订购、搜索、曝光量数据等，我们都会根据行为数据实时去做分析。同时，我们也会结合大家从播放平台下载的特征数据做分析。

所有的内容标签分析，都通过机器学习去，将行为抽象成标签。有了标签之后，我们会找到一个合适的栏位，去看用户的使用习惯，再基于使用习惯，确定栏位流量的高低，这就是流量纬度。

其次，通过行为数据去分析每一个栏位的贡献度。比如，这个栏位对于付费的贡献度比较高，那个栏位对于付费的比较低，这就是栏位的价值标签。基于价值和流量标签，我们会把所有EPG上的栏位做分层。比如会按高流量高价值、低流量低价值等维度，按照不同维度做不同的事情。对于高流量高价值，我们要做的就是提升付；对于低流量高价值，我们可能就会做一些业务探索，类似付费类型的业务探索；对于高流量低价值，我们会配置一些广告；对于低流量低价值，我们会做一些常规内容的曝光。当然，如果在低流量低价值的内容点击效果比较好，我们会将其调整到更好的栏目位。所以，我们最终的目的是把栏目资源价值化。

大家可以看到，我们是基于用户的行为数据，实现了终端角色的适配、媒资内容的适配，以及栏目位的适配，即在合适的地方给合适的人推荐合适的内容。比如首页热门推荐，针对当前的用户，如果用户的点击频率不是很高，可能十几天点击一次，那我们的首要目标就是提升该用户的活跃度。而当我们的目标是提升点击率时，底层的算法策略可能就会有所调整，特征数据可能就需要包括偏好、观看时长、观看时段等数据，然后再去做推荐策略。举个例子，比如同样都在石家庄地区，用户A和用户B由于历史行为数据不同，我们最终推出来的内容也完全不同。另外，如果一个用户日活很高，他以前也有付费习惯，他的ARPU也相对较高，我们的策略核心就会变成提升他的付费率，所以在推荐策略里，会通过用户的付费习惯以及ARPU做一些策略迭代。最后，我们推给这位用户的就是他以前喜欢看，并且是更多是付费类型的内容。

上图是点播分类页的例子。在与一些行业专家交流的过程中，我们经常讨论一个问题：每个台里有上百万小时的内容，很多内容是没有办法被曝光的，所以当下一个很大的诉求就是——内容曝光。所以，我们要优先曝光，比如一个VIP的付费内容，我们给了很多次的曝光，但就是没有用户去点击，这个时候我们可能就会把它转免费，如果转了免费以后还是没有被点击，我可能就直接下线了，这个策略会节约我们的运营和存储资源。

所以，当我们的诉求是内容曝光的时候，首先有一个最优的策略就是——优先曝光，如果还想提升用户的付费率，则会在推荐策略里加上一些付费的特征再进行推荐。

另外，在内容安全层面，我们提供了八种人工干预的策略，比如内容置顶、封禁某条内容、给某些内容进行加权、根据时间过滤某些看过内容等。

自动化运营平台

上图是一套智能推荐模型，通过终端的行为数据，整个系统平台自动完成了终端画像，自动计算栏目位的价值，同样也会自动进行媒资画像，之后就会进行智能推荐，推完之后又会产生行为数据，形成一个自动运转的流程。这不仅是智能推荐，更是一个自动化运营的平台，如果想认为干预的话，我们只需要在后台很简单地设置一个干预策略，算法模型就会把该策略放进去，在下一次推荐时就会被实施。

简单分享一个客户案例，新媒股份。我们的智能推荐不是把内容推出来就结束了，而是始终围绕业务目标做动作，比如点击量的提升，或者是付费转化率的提升。具体的案例大家可以关注公众号：神策数据，里面有完整的案例介绍，在此不做过多解释。

接下来再简单介绍下整个系统的部署架构，其实这一套平台的输入输出逻辑很简单，即导入行为数据，然后输出对应的推荐内容清单。而且，整个平台均为秒级响应，这强依赖于我们扎实的技术能力。所以，我们每一次的智能推荐会包括两种数据，一种是历史计算的用户特征数据，还有一种是用户实时特征数据，我们则会把这两种数据相结合。

虽然我今天主要分享的是关于智能推荐的内容，但其实我们也同样支持一些增值业务探索、精细化运营客户、垂类业务培养、产品迭代等等业务领域。之所以能支撑如此庞大的业务需求，是因为神策数据已经形成了成熟的解决方案，以及超越友商的技术能力，目前我们已帮助1500余家客户进行数据化建设与数字化转型，未来，我们也希望能能够凭借自身的努力，在广电、媒体等领域贡献更多的力量。

谢谢大家！感谢聆听！