喻国明

【内容摘要】本文指出了大数据智能算法为移动互联场景下的媒体用户体验的研究与评估带来的改变，提出了媒体移动客户端用户体验效果评价的大数据智能算法框架。

【关键词】大数据；智能算法；移动互联；用户体验

一、大数据智能算法为移动互联场景下的媒体用户体验的研究与评估带来了革命性改变

（一）用户数据类型的变革：从属性数据到多维数据

大数据的“大”（volume），不少人认为这指的是它数据规模的海量——随着人类在数据记录、获取及传输方面的技术革命，造成了数据获得的便捷与低成本，这便使原有的以高成本方式获得的描述人类态度或行为的、数据有限的小数据变成了一个巨大的、海量规模的数据包。这其实是一种似是而非的认识。其实，前大数据时代也有海量的数据集，但由于其维度的单一，以及和人或社会有机活动状态的剥离，而使其分析和认识真相的价值极为有限。因此，大数据的真正价值不在于它的大，而在于它的全——空间维度上的多角度、多层次信息的交叉复现；时间维度上的与人或社会有机体的活动相关联的信息的持续呈现。

傳统用户分析数据基本上都是属性数据，即所谓人口统计学数据，诸如性别、年龄、收入、态度、社会阶层等。有学者说，传统的抽样调查强调随机性，这就像社会科学研究的一种“绞肉机”，把个体从其所在的社会情境中剥离出来，还要确保研究对象之间不存在联系。对此，Kenneth Boulding就认为，研究不能“见物不见人”，不关心人的社会行为，只关心商品的交易行为，无法客观而真实地反映社会再生产循环的全貌。

传统互联网里常说“网络上，你永远不知道对方是怎样一个人。”在大数据时代，这句话可能就会倒过来了：用户的网络行为轨迹数据完全可以还原出特征偏好鲜明的人物形象，从“关系”角度出发研究社会现象和社会结构，从而捕捉由社会结构形成的态度和行为。受众从传统调查法之下单个的原子，变为多维的、立体性的形象。

（二）从既有行为模式的挖掘，到未来行为可能性的预测

一般而言，网络痕迹数据包括两类：网络行为数据和网络基本数据。网络基本数据包括位置信息、注册信息、设备型号等等；行为数据包括浏览、点击、搜索等。大数据时代，这些数据可以取得并相互关联，通过对于这些数据的分析，社会化媒体时代结合大数据技术将传统注重事件因果的数据库营销，变为注重关联因子的大数据营销。

自亚里士多德时代始，人类一直在渴求发现万事万物之间的关系。但这毕竟只是一个理想的追求。在大数据时代一个最大的转变就是，转变对因果关系的渴求，退而求其次去关注相关关系。也就是说只要知道“是什么”，而不需要知道“为什么”。这就颠覆了千百年来人类的思维惯例，对人类的认知和与世界交流的方式提出了全新的挑战：更多（volume），不再是随机样本，而是全样本的所有数据；更杂（variety），不是精确性，而是混杂性；更好（value），不仅仅注重因果关系，而且同样看重相关关系所带来的价值。

挖掘大数据库中的相关关系，要基于更加具有包容性的复杂算法与分析模型，我们不仅要通过数据了解过去发生过什么，现在发生了什么，更重要的是预测未来将要发生什么，并在此研判的基础上采取适宜的准备和主动的行为。

（三）从被动接收关系数据，到主动出击挖掘非关系数据

数据信息中实际上并不存在着真正意义上的垃圾，垃圾只是被放错位置或是未经分类的有用物而已。例如，对于亚马逊来说，过去近20年间，它追踪了成千上亿网购用户在亚马逊网站上的浏览、搜索以及购买记录，在这一过程中不仅积累了大量的用户数据，而且开发了强大的推荐算法，亚马逊利用这些算法为消费者推荐了很多适合的商品，这是亚马逊的核心竞争力所在。现在亚马逊可以轻易地将这些优势移植到网络广告领域，打造基于海量用户购物数据的强大的实时广告竞价产品，帮助广告主将广告在合适的网站、合适的时间展现给合适的消费者。当亚马逊的用户访问某个网站时，亚马逊的数据可以帮助确认此人来自哪里，最近在亚马逊上购买了什么商品，比如纸尿布。那么针对这种情况，在这个网站的广告位上投放母婴产品的促销信息或许是最合适的。

相较其他DSP，亚马逊拥有消费者的购买信息，这种信息相比单纯的cookies无疑更有价值。因此，这种基于背后强大数据和技术实力支撑的实时竞价广告产品，对于广告主更有吸引力。大数据时代，能够将信息垃圾堆放场中的非传统、非结构化数据重新挖掘、分类，使之前Web2.0时代被动接受和存储的僵尸数据重新活跃起来，发挥作用，起到点石成金的效果。例如，在Facebook IPO时，一个社交平台监测了Twitter上的情感倾向与脸谱股价波动的关联。具体来说，在开盘前推特上的情感逐渐转向负面，25分钟之后，脸谱的股价便开始下跌；而当推特上的情感转向正面时，其股价在8分钟之后也开始了回弹；当股市接近收盘时，推特上的情感转向负面，10分钟后股价则又开始下跌。这就在情感与股价这两类传统意义上的非关系数据之间建立了新的联系。

二、移动互联对于用户媒体接触与使用的深刻改变

（一）智能化界面与人性化趋势

人类媒介传播史就是一部媒介界面不断优化以使受众需求得到更好满足，从而使媒介的传播能力不断提升的历史，传播媒介界面的进化逻辑，可以用美国后麦克卢汉主义学者保罗·莱文森的媒介演化“人性化趋势”（anthropotropic）和“补偿性媒介”（remedial medium）理论来解释。在莱文森看来，人类技术开发的历史说明，技术发展的趋势是越来越人性化，技术在模仿甚至是复制人体的某些功能，是在模仿或复制人的感知模式和认知模式。“补偿性媒介”用以说明人在媒介演化中进行的理性选择。简单地说，任何一种后继的媒介，都是一种补救措施，都是对过去的某一种媒介或某一种先天不足的功能的补救和补偿。

换言之，人类的技术越来越完美，越来越“人性化”。界面在满足人类感官需求上，从单纯诉诸视觉（书籍、报纸、杂志等平面媒介界面）、听觉（广播媒介界面）到诉诸视听觉（电视媒介界面），直到诉诸多种感觉器官（互联网、手机媒介界面），经历了从感知失衡到感知平衡的过程，印证了麦克卢汉描述的人类传播媒介所经历的“整合化—分割化—重新整合化”过程。也就是说，当媒介发展到拥有可以让多种感官参与的互动界面阶段后，媒介越来越适应人类的需求，越来越符合人类通过媒介以促进自身发展的要求，越来越优化受众的媒介消费体验，这是因为互联网和手机等数字互动媒介始终将受众作为界面设计的出发点和归宿。

因此，在用户体验的视域下，对于界面的要求大致包括其舒适度、方便性、美观度、可控性、干扰度等因素。这些因素的优化能够适应用户的使用习惯，利于受众对媒介信息的接收，最大限度地降低大众传播媒介作为“插入传播过程”的中介物带来的阻隔和延滞，从而带给受众更大的便利性和舒适性，让用户获得对于界面的友好感觉。因此，大数据时代，把握了智能化、人性化的趋势，才能真正把握界面的发展之于用户体验的价值与感受。

（二）大数据范式下媒体营销的关联与开发

大数据时代，互联网已经成为社会基础性的底层设施，就像一台计算机的操作系统一样，规定着你的运作方式、决定着你的价值评估、划定着你的运营空间。不依循它的规则和逻辑，就无法真正有效利用今天互联网所带来的种种机会、便利和资源。因此，大数据作为生产力，正在逐渐改变着各行各业的行为逻辑，改变着我们日常生活和工作的形态。

大数据范式下媒体营销的关键因素在于，第一，媒体现在可以横跨各业务单位收集数据，而且越来越多的大媒体甚至可以通过复杂运作从合作伙伴和用户中间收集数据；第二，一个灵活的基础设施建设，可以整合信息和有效地扩大以满足数据激增的情况；第三，实验分析和复杂算法，可以使所有这些信息有意义。①其关键在于将数据转化为见解，然后据此推动传媒业务的发展。

大数据范式下，媒体营销的操作流程可以简化为：

首先，传媒生产经营活动不断产生数据。其次，数据分析汇总，反过来为传媒生产运营提供决策支撑。这其中蕴含两个环节的运作：在内容生产环节，洞察用户特征与需求，针对需求生产（核心产品、形式产品、延伸产品）；在渠道环节，精确信息推送，精准内容营销。再次，数据聚集关联，形成大数据平台。然后，运营数据，从数据中挖掘价值。最后，在用户多维数据与监测市场动态的基础上，预测媒介市场的走向，发掘新的传播市场，如下图所示。

三、媒体移动客户端用户体验效果评价的大数据智能算法框架

采用大数据挖掘网络相关数据指标来进行相关测评，通过对社交平台相关数据的挖掘，基于大数据分析特定情境下媒体移动客户端用户体验效果及其影响因素，可以实现对于用户群体、类型和社会结构方面的评测，挖掘分析用户在社交媒体平台的评价、口碑及行为数据，据此形成用户体验效果评估的大数据智能算法框架。

具体来说，其一是空间结构研究，探索用戶口碑评价在社交媒体中的传播扩散路径与结构；其二是时间序列分析，一方面探索用户持续试用期间效果评价的变化动态；另一方面是在社交媒体中开展传播动力机制研究，第一是“分类”，即用户效果评价类别的甄别；第二是“分层”，即传播节点与用户中意见领袖的分析；第三是“分级”，即用户效果评价的情感判别。

媒体移动客户端用户体验效果评价的大数据智能算法框架的基本设计如下：

借助这个算法框架可以更好地对媒体移动客户端用户体验效果进行评估。