???? 对于TV平台海量的用户行为数据，以往我们只做用户做简单的基础统计指标，而没有让数据真正的“活”起来，体现出应有的价值。

现今，视达科基于Apache Hadoop为企业开发了视频业务分析平台Video Business Analytics System（简称VBAS），通过提供从数据存储、分布式计算、数据分析挖掘以及数据可视化的整套支持，建立一个统一的数据分析平台，从用户数据中发现有价值的数据指标，为平台运营提供数据决策，实现智慧运营。

如何通过数据分析平台实现智慧运营？

视达科视频业务分析平台根据用户兴趣画像，实现个性化推荐，为我们的运营提供了丰富的运营场景。

其中，千人千面是视达科视频业务分析平台最典型的应用之一，在一些运营场景下，千人千面可帮助运营商带来显著的变化。

（图例：数据流程）

1、解决推荐内容同质化

用户在平台使用产品时，都是被动接收运营商提供的内容，每个用户在内容平台看到的内容都是千篇一律，无法让用户快速找到自己喜欢的内容，同质化严重。

我们千人千面应用通过用户行为分析，形成完整的用户画像，从中发现用户兴趣标签，并通过这些标签推送用户喜欢的内容，生成用户唯一的个性化推荐内容

（图例：单个用户画像） （图例：内容推荐）

2、提高内容曝光度，让更多优质的内容呈现在我们用户面前

视达科个性化推荐系统，提供多种算法模型，满足各业务场景的使用需求，让优质内容更有效的曝光在用户面前。

① 基于物品协同过滤

以天龙八部这部影片为例，根据所有用户的历史偏好，喜欢天龙八部的用户都喜欢倚天屠龙记，得出天龙八部和倚天屠龙记比较相似。如果用户C喜欢天龙八部，那么可以推断出他也喜欢倚天屠龙记。

为什么会得出以上结论呢？因为我们的个性化推荐引擎提供了其中一种算法：基于物品的协同过滤算法（CF）。

（图例：基于物品的CF的基本原理）

计算公式：

（i和j分别表示两个物品， 其中N(i) 表示喜欢物品i的人，N(j) 表示喜欢物品j的人）

②Pearson相关系数

如果我们的平台可以对内容进行评分，那么我们也可以使用Pearson相关系数来帮助我们更好的找到兴趣相似的用户，从而进行推荐。这种推荐的思路是如果A和B兴趣相似，那么A喜欢看的，B就有可能会喜欢看，就可以A喜欢看的推荐给B。

假设片中有5部电影，A和B都对其中的部门进行了打分（5分为满分），A的分数[3,2,-,1,4],B的分数是[5,3,3,-,5],其中“-”表示未打分。那么A和B的Pearson相关系数是0.866。说明两个人的兴趣是比较相似的，推荐系统就可以把A感兴趣的推荐给B，或者把B感兴趣的推荐给A。

计算公式：

（其中¯rm 和¯rn 分别表示电影m 和n 获得的评分平均值，而Pmn 表示对电影m 和n 都提供了评分的用户集合，也即Pmn = Pm ∩ Pn ）

3、用最低的成本与用户发生“关系”

上图是视达科的合作运营商在首页猜你喜欢推荐位使用个性化推荐服务之后，一周的数据统计情况。

可以看到，在采用个性化推荐之后，平台个性化推荐的播放量已经远远超出使用非个性化推荐的内容，产品内容得曝光率达到了90%左右，用户的点击率在55%左右，推荐的准确率在45%以上

随着时间的推移，用户画像的日趋完善，准确率会越来越高。花最短的时间和最少人力成本，让我们更多的产品内容曝光在我们的用户面前，让优质的内容和用户最快发生“关系”。

总结

知己知彼百战不殆，只有我们充分了解我们的用户喜欢什么，才能做出有效的应对策略。

千人千面，看似简单，后面的原理其实并不简单。只有抓住了用户的深度，最大能力的去发现我们用户的潜在行为与价值，才能更好的促进产品的购买和转化，进一步留住用户，有效提高用户黏度，用最低的成本，扩充我们的用户群体。

大数据时代的来临为众多运营商带来了更多全新的发展机遇，视达科紧随时代发展的潮流，通过开放的视频服务平台及优质的运营服务，助力运营商完成数据资产从成本中心到利润中心的转变，实现商业智能。

公司简介

视达科于2009年成立，是一家专注于DVB、IPTV、OTT领域的视频服务提供商，致力于为运营商提供端到端融合媒体解决方案。视达科始终以用户体验为导向、数据分析为依托，提供开放的视频运营平台及优质的运营服务，为运营商创造新的价值回报，共建视频业务生态。

目前主要服务客户有：芒果TV、爱上传媒、华数传媒、广西广电、贵州广电、江苏有线、河北广电、天威视讯、湖南电信、湖南联通、新疆电信、新疆CBC、黑龙江广电、吉视传媒、内蒙古广电、福建移动、吉林联通、云南移动、安徽广电、岳阳有线、柬埔寨SuperNet、泰国Thaicom、新西兰YOOHO等。

??
??