被玩兒壞的概念：微信朋友圈廣告真的用上了大數(shù)據(jù)

微信朋友圈廣告的事兒過去幾天了，眼看各路大神一波一波的評述事件，在揣摩數(shù)篇大作后，有兩個問題值得探討一下。

　　第一個疑問：擁有了很多的數(shù)據(jù)，就是大數(shù)據(jù)了么?

　　微信擁有11億以上用戶，4億多活躍用戶，每天產生的數(shù)據(jù)量是天文數(shù)字，這些自由發(fā)布，沒有導向的社交軟件產生的數(shù)據(jù)，在這次朋友圈廣告中到底用來干嘛了呢?

　　以這次的廣告商在朋友圈里的發(fā)布，用幾種常見的大數(shù)據(jù)應用方式，我們來揣測一下：

　　模式一：

　　這個模式使用的是微信用戶的海量數(shù)據(jù)，篩選出與廣告商的定位一致的群體，例如用腎的，例如關注奢侈品、名車的，用各種標簽條件定義用戶，進而推送廣告。

　　模式二：

　　利用微信各種用戶數(shù)據(jù)勾勒出屬性，如用戶的收入，年齡，區(qū)域，教育水平，所處行業(yè)這類基本特征，比對廣告商的產品定位人群屬性，以屬性相近的部分，加上事先做推廣測試時候的用戶反饋參數(shù)，如預告時右上角的是否感興趣選項，再篩選出來的群體，進而推送目標。

　　模式三：

　　當屬性不全的時候，就要應用第三種模式，以用戶的偏好為分類條件，如曾發(fā)布喜歡旅游，喜歡科技產品，喜歡吃喝玩樂等等，就成為了定義條件。以這些偏好進行排序，篩選出前20最受用戶關注的偏好，再以這些偏好跟廣告商的客戶定位進行比對，以相似度最高的部分為推送人群。

　　上述三種常見的大數(shù)據(jù)推薦模式并不涉及到社交屬性。其實，如果精準分析能夠到用戶消費行為和傾向這個層級，社交屬性是可以弱化的，因為后者的實質作用是擴大受眾群體而已。

　　以微信的用戶體量，精準分析出幾百萬甚至上千萬的寶馬潛在用戶應該不是難事，但這次推送并不是一對一推到用戶的對話框，而是在朋友圈利用社交屬性來進行傳播，那還是Feed流廣告的路子，并沒有將大數(shù)據(jù)的精準能力應用到位。因此，微信擁有海量數(shù)據(jù)不假，但微信是不是在做大數(shù)據(jù)分析要看在海量數(shù)據(jù)上做什么。這次推送并不是嚴格意義上的大數(shù)據(jù)行為。

　　第二個疑問：這次的廣告效應，幾乎是以事件炒作，利用用戶的轉發(fā)而形成的，那么跟大數(shù)據(jù)有什么關系呢?

　　產生這個疑問，就是因為這次三家廣告商，都投放的是品牌廣告，并不是具體產品的宣傳，提高的是品牌的認知度。而在微信的用戶體量下，加上“高中低廢”的人群分類話題炒作，應該歸入事件營銷的路子上，沒看出來跟大數(shù)據(jù)應用有什么關聯(lián)，因為最終消費轉化還是靠廣告商的自我努力。

　　有這么多用戶數(shù)據(jù)為什么不利用呢?我們大膽的再假設一下：

　　1、微信對它的11億多用戶并不全了解，否則它應該把11億用戶里面哪些是真土豪、真屌絲找到，相應地推寶馬或者可樂，精準跟事件營銷又不是沖突的。

　　2、微信從“高質種子用戶”開始做設定，隱含的前提是：活躍度高和參與廣告互動的用戶以及他們的社交脈絡跟寶馬、vivo和可口可樂的廣告受眾有相當?shù)闹睾隙?。這個設定顯然從一開始就準備從事件炒作角度進行，并沒有以精準為根本。

　　那么不難看出微信是以社交屬性為廣告推薦的根本，并沒有應用基于內容、協(xié)同過濾、規(guī)則、效用、知識上的大數(shù)據(jù)能力，關注的并不是人和物之間的強相關性(例如偏好、購買、意圖等)。

　　從這兩個疑問能推導出來的結果，我們發(fā)現(xiàn)，這是一次成功的事件炒作，是一次PR事件，是一次傳播效應的驗證，壓根沒有大數(shù)據(jù)什么事兒。

　　那么真正的大數(shù)據(jù)推薦到底是什么呢?

　　從數(shù)據(jù)庫里面找到某個微信用戶的所有朋友，這跟大數(shù)據(jù)沒什么關系，大數(shù)據(jù)的一個重要特征是分析不同來源、不同性質的數(shù)據(jù)信息。例如，把微信用戶信息和寶馬用戶信息合在一起分析，這才是典型的大數(shù)據(jù)應用場景。專業(yè)上，這是大數(shù)據(jù)的多樣性屬性(Variety)。

　　而大數(shù)據(jù)推薦的目的是發(fā)現(xiàn)表面上可能不相關、實質上相關的兩個實體。這樣的隱含關系在小數(shù)據(jù)范圍內都不容易，在大數(shù)據(jù)的情況下難度可想而知。我們把這個問題拆成幾個步驟來說明：

　　第一步，要解決“什么樣數(shù)據(jù)可以被納入分析?”因為數(shù)據(jù)量太大，把無關的東西納入進來，不但會增加無謂的計算量，也會產生很多干擾。因此，去噪(noise reduction)是第一步。以微信這次的朋友圈廣告商寶馬汽車的例子說明：

　　如果某個微信用戶聲稱自己昨天買了寶馬，但寶馬的購車用戶列表里沒這個人，那么這個用戶該不該被剔除將會影響接下來的步驟。

　　第二步，定基準數(shù)據(jù)(benchmarking)。我們要分析兩個實體相關與否，關鍵是看它們的相似度。有的人說，80%的相似就可以了，有的說超過50%就OK。那么該怎么定這個相似度呢?交由專家判斷是一個方法，交由統(tǒng)計結果判斷是另一個方法，最好的方法是大數(shù)據(jù)模型能夠自我學習去判斷這個基準。

　　第三步，數(shù)據(jù)降維(dimension reduction)。所謂降維，就是把不需要考慮或者不重要的因素從推薦系統(tǒng)中去掉，從大數(shù)據(jù)到小數(shù)據(jù)。例如，微信用戶跟寶馬用戶之間可能存在很多的相關點(電話號碼、城市、年齡、土豪級別、付款記錄等)，不是所有的相關點都對推薦有用的。比如，富二代18歲就開寶馬了，普通人可能要30歲才能開上，因此年齡可能并不是分析的關鍵。

　　總之，降維的根本目的是為了計算方便，規(guī)避天文數(shù)字的數(shù)據(jù)分析，至于如何降維和降維的算法，容以后細說。

　　第四步，選擇合適的推薦算法。上文提到的推薦算法是應用最廣的，也各有優(yōu)缺點。選擇哪種算法，要考慮解決怎樣的問題、數(shù)據(jù)量大小、特征選擇等因素。也就是要將人事物的背后關聯(lián)，用數(shù)據(jù)的方式聯(lián)系起來。

　　第五步，大數(shù)據(jù)推薦在很多情況下要考慮實時推薦的問題。例如，一個新用戶進來，你要推給他寶馬、vivo還是可口可樂。這個涉及推薦相同的效率以及該用戶的信息，大數(shù)據(jù)框架的設計必須足夠完整。

　　此外，大數(shù)據(jù)推薦的結果，通常也被稱為“大數(shù)據(jù)預測”，應用場景從足彩到股票，不一而足。能夠做好大數(shù)據(jù)預測的公司，才是真正的大拿。

　　據(jù)以上推論，大數(shù)據(jù)下的推薦系統(tǒng)并不簡單等同于社交關系的推導，必須是基于更為嚴格的需求分析和更復雜的系統(tǒng)設計。微信擁有天然的條件(巨量數(shù)據(jù)、資金、團隊等)，但在這次廣告推送中，表現(xiàn)出來的大數(shù)據(jù)應用并不到位，雖然說用了大數(shù)據(jù)能力，但更像“大數(shù)據(jù)是個筐，什么都可以往里裝”的包裝手法，實在是可惜。