写点什么

创造百亿商业价值,揭秘快手商业变现“中枢”背后的 AI 力量

  • 2020-04-03
  • 本文字数:3990 字

    阅读完需:约 13 分钟

创造百亿商业价值,揭秘快手商业变现“中枢”背后的AI力量

算法策略是快手商业化版图的中枢,它决定了最核心的匹配过程—连接用户和广告主,满足用户商业需求,实现广告主精准营销,最终实现平台、广告主、用户三方利益的平衡。


一改往日低调且克制的风格,快手商业化正在以“战斗”模式加速前进。


去年 7 月,快手首次公开营收商业化目标,在 2019 年快手商业百亿营收目标的基础上增加 50%,实现 150 亿营收。今年年初,快手交上了一份“双赢”的答卷,宣布完成业绩目标,并实现了 3 亿 DAU。


作为一个具有强社交属性的平台,找到用户体验与商业化的最佳平衡,是快手在商业化提速的过程中,必须要时刻掌控好节奏的问题。


为保障平台、广告主、用户三方利益均衡,快手搭建了一个商业变现算法策略体系。


所谓算法策略,狭义指机器学习、人工智能,具体指从数据中自动分析获得规律,指导后续类似的问题。算法策略所发挥的主要作用是为广告主挑选合适的目标用户,并通过提升用户体验和客户体验,最终促成双方形成交易。

“三步走”搭建算法策略体系

李勇保是从 0-1 搭建快手商业变现算法策略体系的核心负责人,他 2016 年加入快手,当时,快手还没有形成体系化的商业化产品和投放能力,原来的算法团队主要做推荐系统。


2018 年快手正式启动商业化后,李勇保被调派过来构建这个体系,“当时商业化算法策略组只有 3 个人,但大家的内心都是‘打仗’的状态”。


快手商业变现算法策略体系的搭建主要经历了三个阶段:


第一阶段,构建用户的商业兴趣。通过构建一个比较完整的用户画像数据库,同时分析用户在社区中所表达的商业诉求,来确定其商业兴趣;


第二阶段是,帮助广告主匹配到合适的人群。不同类型的客户对高价值、核心用户的定义不同,快手通过广告,帮助不同类型的客户准确、高效的触达到高价值的人群;


确定好人群后,进入第三阶段,从后台找到合适的物料呈现给用户。 匹配过程完成后,再综合权衡如何让三方满意,收取多少广告费用能弥补用户的损失,满足广告主曝光、转化和 ROI 诉求,并保障平台的收益。


整个商业变现算法体系的架构从技术的维度划分包括定向-匹配-排序-重排等阶段,具体执行的操作是,用户请求达到后台后进行广告定向,找到所有可投放的广告 — 找到能匹配用户的广告主和相关素材 — 通过排序找到平台、用户、客户三方利益结合的素材投放出去,在这个过程中,对素材和自然作品进行混排以决定广告投放位置。此外,该体系还可按照不同的广告位、流量,及客户群体所在的不同行业划分,目前快手的客户群体主要集中在游戏、电商、网服等领域。


李勇保介绍,不同的广告形态所采取的算法策略不一,联盟广告和信息流广告客户群类似,但流量差距大、广告位不同;直播推广、作品推广,和信息流广告相比,流量相同,但客户不同,因此在面向流量的过程中,会针对广告类型设计投放策略。


但无论哪一种广告产品,底层用到的一些基础技术能力是相同的,包括物料理解能力,多媒体视频理解,模型训练的预估能力,目前这些能力已抽象出了一套中台服务,供快手商业化所有产品调用。

AI 如何驱动商业变现?

李勇保对 AI 前线表示,商业算法策略体系建设的一个核心点在于理解视频物料,既要理解广告主上传的视频,又要理解用户在社区的视频背后表达的商业诉求是什么。“最近几年,信息流广告突然火热起来,但业内技术还不够成熟,这两个问题,不仅是在初期,现在乃至接下来较长的一段时间里,都是一个重点”。


对视频的智能理解是 AI 核心的应用场景之一,通过深度学习算法理解视频中的人脸、图像、语音等内容,人脸识别可分析出视频中人的性别、年龄,语音识别技术可分析视频中人的对话内容,图像识别能够检测视频中的物体。


现在快手 APP 上,有近 200 亿条海量视频,每天还有 1500 万条视频被上传,这些海量的视频每天被精准推送给 3 亿日活用户,过去 9 年,快手在内容生产、理解、分发上沉淀下来了强大的 AI 和数据处理能力。


这也是为什么快手希望以 AI 为核心技术力量来驱动整个商业化进程。


2018 年 10 月,快手正式推出了营销平台,其核心是“AI+社交”。一年后,快手将营销平台升级为了磁力引擎,主张通过“AI+DA”(大数据)帮助客户提升 ROI 的同时提供从流量效率到留量沉淀的“双 LIU 价值”。


AI 已深度参与到了快手商业变现算法策略体系乃至所有的商业系统中。快手社区中的广告主、广告物料都在百万、千万量级,这个匹配过程理论上是一个亿亿,亿上千万的过程,李勇保认为,对用户来说,从这么大规模的广告素材中找到他感兴趣的那一个,这一定是一个需要 AI 来解决的问题。


“现在的商业营销,广告主更关注品效合一,品牌、效益及转化都要好,当广告主开始关注效果(转化)的时候,就是 AI 要发挥大作用的时候”。


AI 真正解决的是精确匹配的问题。信息流广告是快手发力的核心广告形态,信息流广告主绝大多数以效果广告为主。算法帮助广告主匹配到精确的人群,如果没有算法,广告主投放广告就是“盲投”,没有办法把广告投给真正有诉求的人。


以从百万量级的素材池中,为一名用户 A 推荐一个广告为例,李勇保详细列举了这个路径中用到的一些 AI 技术。


首先,技术团队会理解用户 A 在社区里留下的商业诉求痕迹,即构建用户画像,在这个过程中要用到三方数据及广告主回传的核心人群数据,这里会用到 Lookalike 技术来做人群的智能扩展,在种子人群基础上将广告投放给更多人群。在排序、匹配、排序阶段需要预估点击率,转化率等指标,这时会用到预估模型、排序模型、多媒体内容理解(MMU)技术。


当用户对看到的广告表达负向反馈时,如用户选择“减少此类作品”时,协同过滤推荐算法可找到与该视频相关的同类视频,并减少推荐。


基于快手用户规模及观看时长等用户数据的扩张,每天投出的广告量级、用户每天看到的广告量级激增,这些数据加起来可能是 P 量级,要处理这些数据,推荐模型需要频繁更新迭代。


行业内推荐模型的训练大都通过 CPU 来实现,但基于 CPU 的解决方案比较耗费资源,且对机器要求较高。为解决这个问题,去年 6 月,快手西雅图 FeDA 智能决策实验室探索了**TensorFlow+ GPU **的解决方案,推出了基于 GPU 的广告推荐训练系统— “Persia”GPU 能够较好的、在减少资源规模的情况下求解问题,GPU 的计算密集型更好,适合进行大规模的机器学习。


利用 Persia,以往需要 50 台 CPU 机器训练 20 小时的系统,只需要一台普通的 GPU 机器在一到两小时完成,单机效率提升了 640 倍。TensorFlow + GPU 的解决方案也已在快手商业化内部完整落地,并已作为公司层级的中台能力开放给了全公司其他业务线。


“商业化是一个 TOB 的业务,满足商业化诉求是它的出发点,AI 技术帮广告主做精细化的运营和投放,其运用也能提高商业化变现效率和创造百亿商业价值“。


根据《2019 快手磁力引擎年度报告》,截止 2019 年 12 月,快手头部客户数量超过 1000 个,帮 20 万快手创作者获得广告收益,活跃商家突破 100 万,单条视频为商户带来收益均值 10775 元,是 2018 年的 10 倍。


李勇保认为,AI 技术在助力企业商业化方面将是长期趋势。

快手商业化的“中枢”

在快手商业化的版图中,李勇保将算法策略的职能定义为“中枢”。


在整个广告投放流程中,商业策略决定了最核心的匹配过程— 连接用户和广告主,满足用户商业需求,实现广告主精准营销,最终实现平台、广告主、用户三方利益的平衡。


除了算法策略,整个快手商业化大版图背后还有引擎架构、数据存储、大数据处理等底层技术作支撑。引擎架构是快手营销平台的底层设计,它是商业化的基础设施,支撑了整个框架,当用户进来后,这个引擎的架构要抗得起百亿、千亿等大规模的请求。此外,对于快手这样每天产生大量数据的平台来说,数据处理、数据存储能力至关重要。


算法策略离广告主、用户等商业行为更近,它可以说是“冲刺”在商业化的前锋,数据能力、存储能力、架构能力是整个算法策略体系中更偏后端、底层的一些技术。


有意思的是,上述技术方向的几位 Leader:李勇保、算法策略专家孔东营、数据研发团队的负责人高小平、快手商业化引擎架构负责人白晓航在内部被称为“商业化四剑客”,他们是快手商业化技术体系从 0-1 的核心参与者。


实际上从 2016 年开始,四剑客就带领团队开始储备商业化所需的一系列技术能力。


时年 12 月底,刚加入不久的李勇保在储备搭建商业算法体系时所面临的第一个问题就是如何做信息流广告。虽是早期探索,但李勇保和团队冲劲儿十足,立下 Flag — 技术上要对标国际最先进的指标。短短 3 个月时间,快手信息流广告就进入公测阶段,此后又陆续上线了作品推广(粉丝头条)、快接单等产品。


攻坚战在 2018 年打响,在正式对外发声之前,快手设置了一个目标,要在 2018 年 8 月前补齐技术短板,那段时间,四剑客和团队几乎每天都保持战斗模式,抢时间加进度。用户体验量化体系、分布式训练系统,oCPC 广告计费项目…多个关键性的产品持续亮出成果,


自 2016 年快手高级副总裁严强为快手商业化敲下第一行代码开始,再到 2018 年开启商业化元年,经过了 2 年的技术储备与迭代,快手已在商业进程上进展喜人,李勇保觉得,现在无论在技术还是在技术上,快手商业化已慢慢在走向第一队列。这个“第一队列”的衡量标准是,快手的商业化技术能否支撑得起 3 亿 DAU 的体量。

嘉宾介绍

李勇保,快手商业算法策略负责人,毕业于中科院自动化研究所。2016 年加入快手,从 0 到 1 搭建快手商业变现算法体系,全面负责信息流广告、联盟广告、作品推广以及直播推广等多条核心产品线的算法策略。短短三年带领团队通过 AI 高速提升商业变现效率,创造数百亿商业价值,是快手商业流量分发和生态建设的中坚力量。主要研究方向为机器学习、计算广告、数据挖掘等领域,致力于通过人工智能提升商业变现效率。


AICon上海2020本次也非常荣幸的请到了李勇保,进行商业化推荐广告技术及实践经验分享,想了解更多快手在推荐广告技术相关方面的实践经验吗?想要获得和李勇保一对一的沟通机会吗?AICon 绝对不难错过!


2020-04-03 07:003527
用户头像
刘燕 InfoQ高级技术编辑

发布了 1112 篇内容, 共 527.1 次阅读, 收获喜欢 1974 次。

关注

评论

发布
暂无评论
发现更多内容

接口测试工具apipost3.0版本对于流程测试和引用参数变量

Xd

Java 后端 apipost 接口测试工具

1.5 什么是架构师(连载)

凌晞

架构 架构师

【LeetCode】查找和替换模式Java题解

Albert

LeetCode 6月月更

合理地配置线程池

急需上岸的小谢

6月月更

从源码解析 MobX 响应式刷新机制

岛上码农

flutter ios 前端 安卓 6月月更

设计消息队列存储消息数据的 MySQL 表格

大眼喵

「架构实战营」

数据库每日一题---第10天:组合两个表

知心宝贝

前端 后端 6月月更

前端食堂技术周刊第 40 期:HTTP/3、WebContainers 登陆 Firefox、Remix Conf 2022、VueConf US 2022

童欧巴

Vue 前端

企业架构的第一性原理

涛哥 数字产品和业务架构

企业架构

Android MaterialButton使用详解,告别shape、selector

yechaoa

android 6月月更 material design MaterialButton

搭建前端监控,如何采集异常数据?

杨成功

架构 大前端 监控系统

测试基础之:单元测试

甜甜的白桃

单元测试 测试用例 6月月更

消息队列存储消息数据的 MySQL 表格

流火

深圳3月14日起全市停工停业7天居家办公心得|社区征文

老周聊架构

后疫情时代企业应对策略 6月月更 初夏征文 高效工具 高效沟通

模块八作业

天琪实刚亮

架构训练营

Teambition 协作应用心得分享|社区征文

北洋

初夏征文

SDN系统方法 | 6. 网络操作系统

俞凡

架构 网络 sdn SDN系统方法

spring4.1.8扩展实战之一:自定义环境变量验证

程序员欣宸

Java spring Spring Framework 6月月更

vue计算属性

小恺

6月月更

Java—流 Stream

武师叔

6月月更

逐向双碳:东数西算中的绿色需求与竞争焦点

脑极体

动态规划之如何将问题抽象转化为0-1背包问题(详解利用动态规划求方案数)

未见花闻

6月月更

【Python技能树共建】文件模块

梦想橡皮擦

Python 6月月更

模块八

ASCE

NixOS 22.05安装过程记录

sai

NixOS Nix

模块八:设计消息队列存储消息数据的MySQL表

jiaoxn

「架构实战营」

居家办公期间如何提升沟通效率|社区征文

北洋

初夏征文

vue中mixins的使用方法和注意点

源字节1号

软件开发 前端开发

【sql语句基础】——查(select)(单表查询)

写代码两年半

sql MySQL 数据库 数据库· 6月月更

什么是数据驱动

奔向架构师

大数据 数据仓库 数据驱动 6月月更

selenium操作元素遇到的异常

红毛丹

selenium 6月月更

创造百亿商业价值,揭秘快手商业变现“中枢”背后的AI力量_AI&大模型_刘燕_InfoQ精选文章