人工智能时代：破解人机共存密码（套装共10册）

下面我们再来介绍一下各类标签构建的先后顺序。这个先后顺序需要综合考虑实际的业务需求以及构建的难易程度等。因为业务需求各有不同，所以我们这里就只介绍按照构建难易程度来排列的先后顺序，如图4-21所示，这是一个化妆品商家的用户标签体系。

原始数据就是我们数据库中这些数量庞大、结构混乱的数据。在原始数据基础上构建的是事实标签。事实标签的构建可以是对原始数据的直接提取，也可以是对原始数据的简单统计。事实标签的构建过程并不复杂，但是在这个过程中，我们加深了对数据的理解，也清楚了数据的分布情况，为后续标签打下了基础。在事实标签基础上分析加工形成的是分析标签，分析标签的建立是整个数据标签化过程中的重要步骤。最后构建的是预测标签。预测标签需要通过机器学习预测模型来建立，例如我们可以根据某用户对产品试用的评价来预测他是否购买该产品。需要注意的是，原始数据可能并不完善，比如数据中并没有该用户的年龄信息，这时就需要建立一个模型来预测。模型的预测也是建立在这个用户的其他行为特征上的，例如我们可以根据该用户是否上学、工作岗位等信息来预测他所在的年龄段。在商业场景中，为用户打标签的过程又称为“用户画像”。

数据标签化助力企业营销

下面我们来看一下数据标签化是怎样在营销领域应用的。图4-22是一个银行的营销类标签体系。对于银行来说，数据标签化的第一步是统一用户标识，统一用户标识之后，用户的信息都汇聚在了一起，这样就可以对用户一贯的行为轨迹形成认知。这时再看银行数据，就能够有效地利用用户的属性数据、行为数据以及CRM数据等。属性数据包括年龄、性别、住址、习惯等；行为数据包括用户在银行存钱或者借款等一系列行为形成的数据；CRM数据就是银行与用户进行过一些营销层面的沟通而形成的数据，比如银行向该用户推送过什么类型的广告和权益等都会有相关记录。对这些数据进行分析总结就可以形成基础行为标签和基础用户画像。当银行知道了用户的基础行为都对应了哪些标签，也就对用户画像有了一定的了解。通过基础行为标签和基础用户画像就可以形成场景化标签。比如要做营销，会有一套标签；要控制风险，会有一套标签；要推广一套产品，会有类似的其他标签；等等。场景化画像形成之后就可以对用户进行全方位的画像，比如用户是谁，哪些用户是有价值的，用户需要什么，对哪些商品感兴趣，如何选择沟通的媒介等。总体来看，数据标签化的应用过程就是用户数据在统一用户标识的基础上逐渐往上发展，最终形成对用户场景化认知的过程。

图4-23是一套具体画像的例子。比如这套画像是针对金融机构用户的。例如，用户对旅游、电商以及交通出行等感兴趣，这些是一级行为标签；再往下细分，金融里面有理财、保险、贷款等二级标签；金融保险里又可以产生车险、少儿险这样的三级标签。这些标签都是根据用户的行为产生的，比如某个用户经常浏览金融理财页面，就会有金融理财标签。根据这些用户行为标签，还可以推出用户人口属性标签。但人口属性标签不全是事实性数据，比如我们不知道一个用户是否有车，但我们可以通过机器学习模型预测出来。假如这个用户平时上下班和周末都是乘坐地铁公交，或者是打车，那他有车的可能性就很低。通过行为数据还可以大致预测出用户所处人生阶段，是已婚还是未婚、中年还是老年等。

通过上述数据能产生多个级别的标签维度，这些标签维度是对用户行为的刻画，通过机器学习方法从用户的行为又可以推知用户的其他属性。这些行为和属性维度可以用于场景化画像，预测客户在具体场景下会有什么需求。根据图4-23中金融机构的标签体系，可以预测出跟信用卡、保险、消费金融相关的用户画像，从而为实际的营销和运营活动服务和赋能。比如要做信用卡项目，可以将信用卡的广告信息推送给有境外游购物需求的客户；要做保险项目，可以将保险项目信息推送给有车险需求的客户；要做消费金融项目，可以将相关项目信息推送给有消费分期需求的客户；等等。因为客户的需求和推广的项目都是相对应的，广告营销的针对性和准确性就相对较高，客户购买产品和服务的可能性也就相对会有所提升。

深度学习数据标签化

前面具体讲了数据标签化的过程，接下来我们看一下深度学习是怎样进行数据标签化的。深度学习是对人类神经网络的模拟，它对原始数据一层一层地进行分析和学习，最终会给一个句子、文本或者用户打上相应的标签。当我们拥有一套完整的标签体系之后，就可以将这套标签体系下的训练数据用来训练深度学习模型，深度学习模型就会知道哪些数据应该打上哪一类标签。经过深度学习后，人工智能就可以自动打标签了。如图4-24，这是一个深度学习标签化的一个具体示例。

我们现在有一个句子“曹雪芹是中国古代四大名著之一《红楼梦》的作者”。如果要把这个句子打上标签，可能会有“名人”“图书”这样的相关标签。那么，这套标签是如何通过深度学习加工出来的呢？

首先，深度学习并不知道“曹雪芹”是一个词，它也有可能将“芹”和“是”放在一起看作一个词。但通过大量语料训练以后，深度学习会发现“曹雪芹”更可能是一个词，因为很多语料中“曹”

“雪”“芹”这三个字都是组合在一起的，所以“曹雪芹”三个字会聚集成关键词。通过大量文本训练后，深度学习能学出“名人”标签对应的关键词。因为名人经常与“曹雪芹”有关，所以“曹雪芹”就关联上了“名人”标签。同样，深度学习可以自动将“曹雪芹是中国古代四大名著之一《红楼梦》的作者”这句话中的“名著”“红楼梦”“作者”这些关键词贴上图书标签。深度学习通过大量的语料学习，知道哪几个字该放在一起形成词，哪几个字不是放在一起的，并且把关键词和相应的标签关联起来，这就是深度学习理解句子的方法论。

数据是AI思维的基础。大数据时代，只有理解了数据，人工智能才能产生决策、创造价值。数据标签化是人工智能处理数据和理解数据的重要工具，更是人工智能理解商业数据的关键环节。数据标签化使我们知道了用户最想要的是什么，在营销过程中，我们就可以精准地投放用户最想要看到的广告；在研发过程中，我们也可以设计出真正符合用户需求的产品。基于数据标签化的商业实践真正做到了有的放矢，它也为未来商业开辟了新的发展空间。

AI理解消费数据

数据按结构类型分为结构化数据和非结构化数据，我们在前面几节讲过了图像、视频、音频、自然语言这些具有代表性的非结构化数据的处理。下面我们就来了解一下人工智能是如何处理结构化数据的。我们只挑选其中有代表意义的两种数据展开讨论：消费数据和社交数据。很多机构都有这样的数据，那么，通过人工智能来解读它们，可以得到什么价值呢？首先我们来看一下消费数据。

消费数据

根据国家统计局数据，2019年全年国内生产总值为990 865亿元，而全年社会消费品零售总额就高达411 649亿元。一个人的消费就是另外一个人的收入，用户的消费就是商家的利润来源，消费是拉动整个商业社会向前发展的驱动力，消费数据不仅能反映出社会整体的经济水平，而且对一个企业的经营和发展具有非常重要的指导意义。接下来我们就来了解一下什么是消费数据。

一般来说，消费数据指的是个人在商家购买商品而形成的数据，这个范围非常广泛，与我们的日常生活息息相关。大到买房的消费，小到买一块口香糖的消费，都是消费数据的一部分。

消费数据主要分为以下两类：第一类是购买不同类型的商品而形成的数据，例如在电商网站上的商品分为饰品、鞋靴、数码、电器等一系列类型，在日常生活中，用户也会根据自己需求的不同来购买形形色色的商品；第二类是在不同的时间购买商品而形成的数据，比如用户在春天购买的商品与秋天购买的商品的金额就会有所不同，又或者一个用户在“6·18”年中大促购买了一件商品觉得质量很好，然后在“双12”时又购买了一件同样的商品。不论哪一类消费数据，都能够有效地反映出消费者的需求与特点。

消费数据的种类不同，用到的处理方法自然也就不同。下面介绍两种数据处理的模型框架：一个是推荐模型，一个是CLV，也就是客户生命周期价值模型。它们分别对应上面说的两类消费数据相关的场景。

推荐模型理解消费数据

听同事说最近新上了一部电影特别好看，我们周末路过电影院不自觉地就去看了这部电影；看到网上很多人说一家店的食物做得特别好吃，我们就会去品尝一下到底有多么美味。我们日常生活中的很多购物消费行为都会受到各种推荐的影响。这些推荐可能来自身边人的分享，也可能是商家的广告营销，它已经成为影响消费的一个重要因素。在人工智能领域中，推荐模型指的是通过分析数据，预测用户需求，再将满足需求的商品和服务推荐给用户的人工智能模型。随着商品种类和数量的快速增长，用户需要花费大量时间和精力才能挑选出最适合自己的商品，所以能够根据用户需求向用户推荐商品的推荐模型，有很大的应用价值。

提到推荐模型，就不得不提及世界上最大的在线影片租赁服务商奈飞。奈飞的电影租赁业务之所以能做到世界头部位置，很大一部分原因是奈飞网站搭建了电影推荐模型。当一个用户在奈飞网站看完一部电影后，他会根据自己的喜好为这部影片打分。这些分数就成为推荐模型的参考数据，推荐模型可以根据这些数据来判断用户是否喜欢某部电影，可能喜欢哪种类型的电影，然后根据预测出的用户需求来向用户推荐电影。为了让自己的推荐模型更加个性化、更加准确，奈飞在2006年还组织了一个推荐模型大奖赛。在这个比赛中，只要参赛者能够最大地优化奈飞的推荐模型，就能够赢得100万美元。在高额奖金的吸引下，很多做机器学习的高手都来参赛。最终比赛的结果是，奈飞的推荐模型的推荐准确率提升了10%，整个产业界推荐模型的发展也因此向前迈进了一大步。权威杂志IEEE Computer 为此曾专门介绍相关推荐模型。下面我们就来了解一下奈飞的推荐模型具体是怎么工作的。

首先我们要知道，奈飞的数据很多，构成了一个庞大的矩阵。在这个矩阵中，每一行对应的是一个用户对不同电影的评分数据，每一列对应的是一部电影收到的不同用户评分数据。比如说一个用户评价过5部电影，在奈飞的数据矩阵中，属于这个用户的那一行里就有5个非零的数字，来表示这个用户对电影的评分。奈飞大奖赛里获胜的团队用的就是矩阵分解的模型。矩阵分解就是把庞大的矩阵分解成两个小的矩阵，它采用的是降低维度的思路，是把原始矩阵用低维的子空间去拟合。原始矩阵在很高维的空间中，拟合就是用相对低维的空间，比如说用几百个或者几千个维度，来拟合原来更高维的数据。