丨目录：

· 背景

· 业务场景

· 基本概念

· 阿里妈妈智能洞察系统Autolnsight

· 应用场景和案例

· 总结

· 关于我们

▐ 背景

随着以数据驱动业务增长的发展趋势，“数据驱动力”在精益运营时代的重要性日益突显，许多新一代的技术和数据处理工具正逐渐成为人们关注的焦点。今天数据驱动决策成为了许多企业、组织和管理者的一个优先发展和关注的关键事项。在数据驱动企业数字化转型和商业决策的大背景下，2019年初，在悉尼举行的Gartner数据与分析峰会上预测：增强型数据分析、持续型智能和可解释的人工智能（AI）是数据和分析技术的主要趋势之一，并在未来三到五年内具有显著的颠覆性潜力；到 2020 年，增强分析将成为分析和商业智能解决方案的主要卖点。增强分析利用自动化、智能化洞察技术通过不断地挖掘数据价值，提高数据应用效率，洞察行业趋势和消费者价值，将数据洞察转化为行动推荐，驱动品牌定位、消费者管理与营销效率，赋能商业价值增长和客户收益增长，实现企业数字化转型。

▐ 业务场景

根据福布斯的报道，89%的行业认为大数据将像互联网一样改变传统的商业运作模式。而那些没有实施商业智能(BI)战略并以有意义的方式来收集、评估和应用这些信息的企业则将被淘汰。这就是像增强分析这样的高级数据分析工具的用武之地。根据Allied Analytics的一份报告，由于类增强型分析的下一代分析技术日益普及，到2025年，全球增强分析市场的规模预计将达到2900万美元。具体在营销分析的场景中运营数智化、精细化的背景下，都肩负着用户增长、留存的重任和挑战，例如会员或消费者运营增长、广告商家运营和客户增长等都迫切需要打破传统的工作思路，不断探索新方法，寻找机会点或制定应对策略。放眼到行业内，Google、Facebook在智能洞察方向的探索尝试也都源于广告业务的营销分析。

▐ 基本概念

增强分析定义

增强分析的概念由 Gartner 在2017年提出，在 Gartner 当年的报告《Augmented Analytics Is the Future of Data and Analytics》中，给出了增强分析的定义：增强分析是下一代数据和分析范式，它面向广泛的业务用户、运营人员和民间数据科学家，利用机器学习将数据准备、洞察发现和洞察共享等过程自动化”。增强分析基于统计学、人工智能和机器学习来增强人类评估数据的能力。它通过自动化数据洞察和提供更清晰的信息，超越了传统的分析工具，从数据科学家到营销人员，业务的各个方面都将受益于向增强分析应用的转变。

技术路线图

对增强分析的概念有了基本的认知之后，我们来看看增强分析具体包含了哪些技术能力。结合 Gartner 的分类，可以将增强分析相关的技术分为三类：增强数据准备、增强数据分析和增强机器学习。下面我们通过一个树状图来说明增强分析的技术能力矩阵：

1. 增强数据准备：包含可视化数据交互和数据关系自动化发现两个方面，可视化数据交互实现可视化的数据配置、数据源的混合以及数据清洗工作，让数据准备变得"无代码化"；数据关系发现利用机器学习和 AI 技术来自动化上述的部分流程。

2. 增强数据分析：包含自动洞察、自动可视化、自然语言查询和自然语言生成。自动洞察和自动可视化是实现业务数据的自动化诊断和可视化展示；自然语言查询NLQ和自然语言生成NLG为了跨越人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言。

3. 增强机器学习：包括自动化机器学习（AutoML）和自动化在线学习平台（AutoLearning）。增强机器学习要解决的问题主要是释放机器学习过程中的人力投入，自动化实现数据标注、特征提取、模型训练以及超参优化和模型评估。

自动化洞察

自动化洞察，也叫主动洞察，是增强分析的核心功能，但同样也是一个宽泛的概念。现在大部分的主流 BI 平台都有自动洞察的相关功能推出，且方向各有不同。自动洞察的目标就是代替一部分分析师的工作，从数据中发现潜在信息和价值。从任务目标的角度划分，自动化洞察的主流技术方向包括：发现关联、异常检测、诊断分析和显著性智能推荐等 增强型数据分析自动洞察能力通过自动化的数据和算法能力，赋能整个业务深度分析、商业洞察、决策和行动过程，我们针对广告业务的投前策略洞察和投后效果分析场景，着手建设智能洞察技术AutoInsight和产品化应用，基于大数据分析的业务发展现状分析和未来的增长策略洞察，以大幅度提升广告主、运营、数据分析师等业务人员获取业务洞察的结论和运营决策效率。

▐ 阿里妈妈智能洞察系统AutoInsight

系统架构

智能洞察系统AutoInsight一共包含四个大的组成部分，分别为：数据源接入&ETL模块、元数据配置服务、InsightCore服务层以及文案展示服务层，整体架构为下图所示：

1. 底层数据源接入&ETL模块做到了多数据源类型的可视化配置；

2. 元数据配置服务层：同样提供了灵活的维度、指标、业务层级关系等个性化的配置能力。

3. InsightCore服务层是整个AutoInsight的核心算法模块，包括异常发现、洞察算子、TopK-Insights智能推荐三个子模块，即为智能洞察的三步走策略：首先通过异常发现模块完成对业务表现进行多维度、多指标分析；然后对异常维度组合的业务指标表现进行波动分析、趋势洞察等归因分析，最后再经过智能推荐模块对诊断洞察结论进行综合的业务异动波动显著性打分。

4. 文案展示服务层可直接对接各应用端，我们抽象了三类文案模板：指标波动诊断结论文案、指标盘点结论文案和指标异动预警文案，通过文案模型灵活配置，展示更清晰、有价值的业务洞察结论。

系统能力

AutoInsight系统能力为实现两个核心自动化能力目标，一是自动化智能化程度高，二是具备个性化诊断洞察能力。这里我们就需要解决InsightCore服务层的‘三步走策略’的三个基础性问题：

1. 对于广告业务场景下多层级维度下钻、组合分析；

2. 对于复杂的多类型的业务指标异常波动量化分析；

3. 针对不同广告商家，关注的业务视角也不同，如何进行洞察结果的个性化展示；

多维智能下钻

在复杂的广告业务营销分析场景中，广告的维度层级通常都比较多、数据量级比较大，这里我们需要考虑两个能力：多维下钻和维度剪枝。

1. 多维下钻

AutoInsight提供的多维下钻解决方案是提供灵活的前端配置界面，系统根据用户的配置信息，可以自动化的完成指标在分析时间周期统计计算、基于维度层级关系进行层级表自动关联，从而实现自动化遍历搜索多维组合，解决传统意义上的up-to-bottom模式。例如维度对应的三层子级依次为 ,,，则构造的组合为：，，，从而挖掘维度组合的波动路径，可以解决下层波动上层平稳的业务场景。

2. 维度剪枝

维度剪枝就是在多维下钻的过程中，对下钻路径和挖掘的维度组合采取合理的有效评价策略，避免无效下钻，提效下钻的性能和算力。AutoInsight通过有层级贡献度阈值或无层级维度组合占比关系，对洞察维度组合候选集基于贡献度剪枝，并归一化维度组合的各个子集，计算综合贡献度得分。

指标贡献度分析

1. 什么叫贡献度

指标异常分析中，常常需要对指标进行拆解，其中最常见的为往更细粒度去拆分，找出影响该指标的"根因"。比如昨日某个广告的推广商品曝光量下降明显，可以拆分到该商品对应的投放计划的曝光数变化情况，这就会涉及到如何确定各个投放计划对该商品的曝光下降的影响程度，此处所述影响度即是贡献度。

2. 常见指标类型的贡献度计算方法

原子指标-累加型：累加型指标是指同一维度下不同维值之间可进行相加，如全国的订单数可通过各城市的订单数直接加总得到:

此类型的指标计算细粒度对上层粒度的贡献度，只需通过计算细粒度的变化差值与上层粒度的变化差值的占比。例如，城市对全国订单变化数的贡献度可通过如下式子计算可得:

其中，表示城市时刻的订单数，表示全国时刻的总订单数。

复合指标-除法比值型：除法比值型指标一般是指需要通过两个累加型指标相除得到，如新客率需通过新客人数除以总用户数，如下所示：

402 Payment Required

其中为全国新客率，分子为各城市的新客人数之和，分母为各城市用户人数之和。显然此类指标不能像累加型指标那样直接通过差值进行计算,第一种思路即将除法型的计算公式转化为加法型，转化方法如下：

该形式就和累加型指标一样了，接下来的贡献度计算即可采用上述原子指标的方法进行。但如果其中时，上述方法就不可行了。这里就需要重新计算整体新客率，具体如下：

复合指标-乘法型：乘法型指标贡献度计算可以采用化乘法为加法，两边取对数的方式，如交易额为订单数和客单价的乘积之和：

402 Payment Required

其中为交易额，为订单数，为客单价，在计算贡献度时则需要加入控制变量法的思想，如果计算订单数的贡献度，则认为客单价是不变的，订单数对交易额变化的贡献度为：

402 Payment Required

其中，表示拆解指标订单数对异常指标交易额的贡献度。

洞察结果个性化

洞察结论的维度、指标、时间周期是多种多样的，需要结合业务策略和机器学习算法实现个性化显著性洞察结论的发现和展示，AutoInsight对这些异常维度组合进行组合分析和波动程度评价，从而对显著性评价算法模型的通用性要求就很高。我们基于业务洞察场景数据设计了两阶段策略：一是冷启动阶段的统计规则策略：即通过贡献度阈值，对候选集基于贡献度剪枝、维度组合综合贡献度归一化值排序，输出top-K结果集；二是基于用户反馈数据的机器学习算法建模策略：即根据用户的历史行为数据，如对洞察结论的曝光、点击等行为建立机器学习算法模型，实现个性化的洞察结论排序模型，进而实现个性化的洞察结论展现。

▐ 应用场景和案例

阿里妈妈具备国内领先的数字营销技术和强大的数据优势，为广告商家提供多场景的营销平台和广告营销全链路解决方案，阿里妈妈智能洞察系统AutoInsight已经成功应用在智能化诊断、智能预警等多个广告营销分析场景，同时与客户增长平台北斗对接，实现一站式波动分析能力。下面我们将具体介绍AutoInsight在广告营销分析场景下的两个应用案例：

案例一：广告投放平台智能化诊断

阿里妈妈依托核心商业数据和超级媒体矩阵，赋能商家、品牌及合作伙伴，帮助客户实现数字媒体的一站式全域传播。广告投放平台是广告商家进行商品推广的重要一站式投放、报表、营销分析和智能诊断等功能工具平台，例如广为人知的直通车、超级推荐、UniDesk等产品。该案例智能化诊断模块的产品功能样例如下图所示，主要包含两个功能点：一是数据分析模块，对报表数据的关键信息挖掘和波动诊断、个性化展示；二是机会洞察模块，向广告商家个性化展示业务可优化的点和商业机会，根据广告商家的投放操作行为进行个性化的投放建议诊断。

AutoInsight 在广告投放平台报表洞察诊断升级能力上，结合数据诊断及算法个性化建议分发，完善“报表+诊断”的一体化设计，实现投前、投中、投后全链路的数据和算法支持能力。实现商家广告投放收益的增长以及在诊断页面停留时长和活跃增长；同时一站式的诊断分析，也为广告商家带来了良好的体验和分析效率的提升。

案例二：移动端投放平台智能预警

基于移动端投放平台的特性，方便广告商家随时随地查看和调整投放配置，不受时间和地点的限制。为提高广告商家对业务监测和决策的时效性，我们在移动端增加支持业务指标异动洞察能力，并通过发送预警信息帮助广告商家更好的发现业务问题，更及时的进行业务判断和决策。例如在大家所熟知的千牛APP中，我们利用AutoInsight自动化数据洞察诊断能力，在千牛APP的广告投放模块中实现了智能预警、异动通知提示功能，赋能移动端广告商家的广告效果诊断，提升投放效率。异动通知提示功能如下图所示：

AutoInsight通过对广告商家业务的诊断分析，发送业务指标异动预警消息，一方面提高广告商家对产品的使用粘性和活跃度，另一方面帮忙用户更好更及时的发现业务问题，进行有针对性业务决策，助力业务增长。

▐ 总结

增强分析作为数据分析的高阶增强阶段，为分析工作带来更多自动化动能力和创新洞察力，以提高数据分析的效率和准确性。我们将持续推进增强分析技术在营销分析场景下的应用探索，加强阿里妈妈智能洞察系统AutoInsight在增强型数据分析领域应用的扩展能力，并结合智能化策略和机器学习算法能力，提升分析内容的开发、使用效率与实现个性化的共享方式。

▐ 关于我们

我们是阿里妈妈SDS(Strategic Data Solutions)团队，致力于用数据让商家和平台的增长战略更加科学有效。我们为阿里妈妈全线广告客户提供营销洞察、营销策略、价值量化及效果归因的技术服务。欢迎感兴趣的同学加入我们~

投递简历邮箱：

alimama_tech@service.alibaba.com

END

也许你还想看

丨【阿里妈妈营销科学系列】开篇：C.M.O——“人群.渠道.机会”营销分析导论

丨【阿里妈妈营销科学系列】第一篇：消费者资产分析

丨【阿里妈妈营销科学系列】第二篇：消费者行为分析

丨【阿里妈妈营销科学系列】第三篇：受众沟通和品牌认知评价

丨【阿里妈妈营销科学系列】第五篇：多渠道组合路径效率评价

丨【阿里妈妈营销科学系列】第六篇：营销组合模型MMM

丨【阿里妈妈营销科学系列】第七篇：目标群组发现

欢迎关注「阿里妈妈技术」，了解更多~

疯狂暗示↓↓↓↓↓↓↓