在过去一年阿里云PAI机器学习团队做了很多偏业务的实践，其中有一条就是基于 MaxCompute+PAI的产品方案实践，解决客户遇到用户增长相关的问题。本文主要分享，阿里云团队在用户增长领域的一些探索和实践。希望可以通过本次分享给大家在用户增长方面带来一些帮助。
一、用户增长模型
AARRR
用户增长更多的是针对互联网类型的公司，互联网客户的业务本质上都是在解决用户增长的问题。用户增长从业务角度讲有很多的模型。今天主要针对AARRR用户增长模型进行讲解。
那在整个AARRR用户增长模型里面，MaxCompute+PAI能在哪个模块里面能做哪些工作？能给客户带来哪些价值？
MaxCompute+PAI业务支撑架构
MaxCompute+PAI做为底座支撑用户增长，产品架构如下图。
从计算引擎层是 MaxCompute，计算引擎之上就是AI的场景，我们重点介绍的是基于PAI机器学习的AI能力来赋能用户增长的业务场景。首先我们提供了开放框架，可以基于TensorFlow\PYTorch，SQL\PYSpark\Spark开发自己的算法模型。再上面的产品层就是PAI机器学习的产品体系，整个产品体系也做为我们一个业务的支撑，包括PAI-DLC(云原生深度学习运行环境）可以把自己的code训练脚本打包成一个镜像包在DLC内运行、PAI-Studio（可视化建模）会将用户增长领域相关的算子做成模块化经过简单的拖拽，就可以来做整个用户增长的模型训练、PAI-DSW（交互式建模）对于技术能力比较强的开发者，可以自己开发相应的脚本，而不是使用我们封装好的脚本、PAI-EAS(模型在线服务）可以把studio和DSW生成的模型生成一个RESTful API，再通过HTTP请求的方式调用该服务。生成的RESTful请求就可以支撑解决方案，包括广告RTA解决方案、广告DSP方案、智能推荐方案、用户 召回方案、LTV计算方案。解决方案最终是要解决用户增长问题，包括拉新、促活、留存、创收、分享。
二、MaxCompute+PAI用户增长分类目详细方案
用户增长-拉新
当前通过广告拉新依然是互联网客户的一个核心重要的手段。在广告行业有一个比较流行的方案是RTA。在RTA方案里MaxCompute+PAI的作用是什么呢。首先看下RTA的原理，过去一个APP想要拉新用户，会把钱投放给DSP广告投放平台，由平台去圈选用户进行竞价。那RTA做了一件事情，就是当广告主希望能控制一些DSP人群，之前是没有办法的，在RTA技术支持下，开放一个接口，每一次广告平台在圈选用户时，会请求一个模型，这个模型的作用就是告诉平台，这个用户要不要。那MaxCompute+PAI就可以帮客户生成这样的模型。
通过MaxCompute做数据清理，通过PAI做竞价模型的训练，通过模型筛选值得投放的用户。
核心优势
1.强大的数据计算能力：MaxCompute提供PB级别的数据计算能力。
2.丰富的算法：PAI提供LR、GBDT等经典机器学习算法，同时也提供DeepFM、MultiTower等深度学习算法。
用户增长-促活
在新用户都比较少的情况下，我们希望存量客户能在我们平台上面浏览时长增加，更多的点击。打开一个互联网APP，70%以上的APP都有一个feed流推荐也可以叫相关性推荐，这个系统推荐率准确的高低是影响用户在平台上面的活跃度。如果推荐的内容都是用户喜欢看的，喜欢浏览的，会天然的增加平台上面的点击量，并且停留时长会增加。比如业内比较火的短视频APP，其实都是有比较好的个性化推荐系统。那么怎么基于MaxCompute+PAI构建一套推荐系统。如下图所示可以基于MaxCompute+PAI+DataWorks+Hologres+Flink做一套相关性推荐系统。更加具体信息可参考文章：PAI平台搭建企业级个性化推荐系统
做好一个推荐系统首先需要一个线上的服务模块，服务模块可以分为多路召回、过滤、排序、冷启动。召回模块是做一个粗筛，比如一个用户进来，我们平台存量有1000万个商品，拿这个用户跟1000万个商品去做比对，其实计算量非常大。那召回就是我先粗筛一下，比如选出几百个商品，这个时候我再做这个用户对这几百个商品的排序，整个计算的复杂性就会变的非常低。
那召回跟排序这两个模型怎么用MaxCompute+PAI训练出来？从架构图上来看，最底层我们要把用户的行为日志、用户画像数据、物料属性数据这三个核心的表，上传到MaxCompute中，利用DataWorks针对表做一个特征加工，加工出训练样本、用户特性数据、物料特征数据。接下来进入到PAI-Studio，一个内置的建模平台，里面内建了大量推荐领域的算法，比如PAI-EasyRec、GraphLearn、Alink。我们利用PAI-Studio里面的召回算法，生产一些基础的召回表，比如u2i、i2i、c2i，把这些结果放到Hologres里面，这个我们可以把多路召回服务跟Hologres做一个关联，解决了我们召回模型训练的问题。
排序服务可以在PAI-Studio里面选择排序算法，生产排序模型，排序模型可以部署到PAI-EAS里面，变成一个RESTful API，这样排序模块就可以请求排序模型的RESTful API，生产一个实时的排序结果返回。
经过我们的多路召回，把一些重复的商品过滤掉，在进行排序，就可以拿到一个TopN推荐列表。就可以展示到APP的feed流里面。那MaxCompute+PAI的价值就是完成整个排序业务的数据处理以及模型训练。这一整套相关性推荐系统，会有效提升我们APP里feed流的CTR、CVR的转化率，帮助APP提升用户的活跃度和停留时长。
用户增长-留存
当一个APP的存量用户做到百万、千万、上亿时，在数据库中存放大量历史用户，但是又有一段时间没有使用APP的用户。所以当下互联网拉新困难的情况下，我们需要对“沉睡”用户和流失用户做一个召回。当前互联网行业比较流行的方案还是通过短信召回，因为短信没有打电话的局限性，也不会像push那样被拦截。针对短信来讲，触达用户的效果和概率还是比较高的。
基于MaxCompute+PAI已经对很多行业用户，如小说、社交、游戏等行业，构建了流失用户短信召回解决方案。
大体的做法就是把用户埋点数据存到MaxCompute中，通过DataWorks做特征加工，用PAI机器学习平台训练一个流失用户召回模型，之后就可以针对已有的存量用户做一次预测，预测出哪些存量用户当用短信触达时，回到APP的概率比较高，这样我们就可以只针对这部分高概率用户进行短信召回，这样可以节省我们的召回成本，并且提升我们的召回率。
客户案例
客户为一家陌生人社交APP，库内有近千万级别的沉睡用户。通过短信实现流失用户的召回。
PAI核心价值：
用了PAI之后百万条短信召回比例从3%提升至8%，效果提升267%，变相降低成本2倍左右。
用户增长-LTV分计算&分享分计算
通过PAI+MaxCompute构建分数预测模型，可以对LTV分、分享概率分进行预测。
当APP通过广告带来一个用户时，都会关心这个用户会不会付费，或者说产生的APP值有多少。有的客户需要在新用户进来的同时，计算出未来这个用户在APP上的消费情况是多少。如果这个用户是一个高价值用户，那就需要通过优惠券或者补贴的的方式来进行用户激活。我们提供了LTV方案，举个例子，比如一个APP的新用户，我们怎么计算他的LTV分呢？
找一个第三方的数据源，因为新用户在APP内还没有任何行为日志产生。MaxCompute+PAI会提供一套联合建模的方案，符合可信计算标准。也就是说用户数据和第三方数据不会有任何接触，两方数据可以联邦建模，在PAI内生成模型，这个模型可以对每一个新用户进行LTV打分，针对LTV分指导后续运营活动。
客户案例
场景介绍：客户是一家小说平台，对于纯新用户，需要做30天内购买VIP服务的预测。以便在用户还几乎没有什么行为时，能够对用户未来购买VIP的行为进行预测，可以让新用户运营有的放矢，提高运营效率。
对于纯新用户购买VIP判断准确率提升明显，圈选出40%左右的用户作为训练数据，联邦建模生成的模型就可以将67%的会自然购买VIP的会员识别出来，提高67.5%的运营效率（和随机圈选用户进行比较）。
三、实操介绍-流失用户召回
数据上传到MaxCompute
通过MaxCompute的Tunnel命令上传数据到项目中：tunnelupload{file}{table};
文档链接：https://help.aliyun.com/document_detail/196187.html
构建Workflow
进入PAI-Studio完成workflow的构建。
构建训练样本：7天不登录的作为流失用户
通过筛选注册日期和最后一次登录时间可以确定哪些用户是7天不登录用户。
特征加工
通过加工把数据变成结构化数据。
One-hot编码
One-Hot编码可以将类别变量转换为机器学习算法易于使用的形式，经过One-Hot转换后的格式如下图所示。
模型训练和评估
进行逻辑回归的模型训练，PAI平台上有几十种的分类模型，判断发短信是否能召回可以定义为二分类问题，yes/no。可以使用二分类算法，进行模型训练。逻辑模型训练完后，我们把一部分数据做为测试数据，就能获取到模型效果。我们在二分类评估下面生成一个模型评估报告。ROC值的面积越大说明模型效果越好。
模型预测
生成完模型后，我们可以把模型部署成RESTful服务，供业务方或者是运营同学去调用。调用格式如下图所示：
