摘要： 螞蟻金服產品服務化技術專家付海濤，在阿里雲峰會金融專場做了主題為《新一代移動研發平臺mPaaS智能化之路》的精彩分享。
7月6-7日，螞蟻金服mPaaS 團隊付海濤、羅其平、呂丹將作為講師，參與第43屆MPD工作坊北京站，想了解更多詳情，可戳此處。
付海濤 螞蟻金服技術專家
提綱：
移動開發平臺 mPaaS 發展歷程
移動開發平臺 mPaaS 3.0 的產品體系
阿里巴巴金融業務的進化
mPaaS 一體化移動智能場景
一、移動開發平臺 mPaaS 的發展歷程
2016 年 12 月，mPaaS 發佈了 1.0 版本正式對外，1.0 主要是想要延續支付寶的金融屬性，服務金融行業。當時mPaaS團隊跟很多金融機構做了深入溝通，我們發現大部分機構已經研發了自有 App，但難點並不在於 App 研發，而是如何解決 App 性能問題，提高用戶體驗。所以 mPaaS 1.0 優先開放支付寶的底層開發框架、UI 庫、消息推送、網關服務以及移動分析能力，並以組件化的方式提供服務，讓用戶可以自行挑選適合自己需求的組件，像搭積木一樣快速構建 App 基礎架構和通用能力。
隨著逐步深入金融行業，我們發現一些走在前列的金融機構業務逐漸成熟，邁入數字化轉型階段，希望對客戶進行精細化運營。期間重慶農商行提出了“智慧銀行”概念，重點建設數據採集，分析平臺。同時由於互聯網金融的興起，金融機構在產品研發、發佈更新的節奏越來越像互聯網公司，希望能夠具備快速擴展更新、應對突發事件進行動態化更新的能力。因此 mPaaS 2.0 逐步開放發佈平臺、熱修復、離線包、數據同步、自定義分析等能力，更深入地改變企業移動開發的模式，助力企業做數字化轉型，打造動態化超級 App。
隨著時間推移，金融機構對用戶有了更深刻的理解，同時對技術提出了更高的要求。為了更有效地利用數據，提高運營的 ROI，App 需要向智能化方向發展。另外，小程序作為 2018 年技術圈的熱點，同樣引起了金融行業的重視，金融公司普遍選擇小程序作為搶佔市場的利器。因此，螞蟻金服將小程序框架抽離出來，進行產品化輸出，金融機構可以基於此構建自己的 App 生態。
二、移動開發平臺 mPaaS 3.0 的產品體系
三年的深耕細作，mPaaS 不僅積累了數百家付費用戶，同時也極大程度地豐富了產品體系。mPaaS 產品體系主要分為三層：
首先，是動態靈活的前端能力。目前 mPaaS 能夠提供 Native、H5、支付寶小程序三大開發框架；100+ 的 UI 控件；以及包括掃碼，本地緩存，客戶端埋點等 20+ 功能性 SDK，可以讓開發者快速接入搭建 App 所需要的基礎能力。
其次，是堅實的移動中臺能力。除了客戶端開發之外，mPaaS 還提供了移動中臺中臺能力，可以實現對 App 的整個生命週期的管理，包括 App 研發、測試、發佈、分析、運營在內的各個環節。
最後，是穩定的後臺連接能力。mPaaS 為客戶提供了移動網關和大文件通道來服務不同的場景，為用戶開發 APP 提供了一個高穩定、高可靠以及高效率的後臺連接服務能力。
三、阿里巴巴金融業務的進化
與阿里巴巴金融業務的發展歷程相似，mPaaS 1.0 主要幫助金融級 App 提高兼容性和穩定性，強調服務可用。接下來，mPaaS 2.0 提倡精細化運營，用數據管理服務，在系統內部建立數字化體系，實現大數據平臺。那麼如何利用數據做到精細化、智能化運營，如何針對不同用戶完成個性化的決策與推薦，mPaaS 3.0 進而實現智能化平臺以支持決策。“智能化升級”是 mPaaS 歷經兩個版本迭代與升級後的自然過渡，是市場發展、客戶需求驅動的結果。
數據接入+分析決策引擎+mPaaS場景
關於智能化平臺，mPaaS 主要著力點在於構建了“數據接入+分析決策引擎+mPaaS場景”的一體化移動 AI 方案。螞蟻金服內部最核心的 AI 技術，同時是內部構建“千人千面”所應用的技術，被剝離出來形成了決策引擎。在“運營”和“體驗”兩個方向下，結合 mPaaS 完善的業務應用場景，輸出移動分析、智能投放、智能預測、OCR 識別等一體化垂直解決方案，讓用戶能夠真正享受到可落地應用的人工智能服務。
數據：自帶數據、標準格式
mPaaS 2.0 中已經為數據化轉型實現了一整套數據採集機制，包括機型環境、用戶行為、閃退卡頓、組件使用情況以及自定義事件，基於這些數據就可以對智能預測模型進行預測。
四、mPaaS 一體化移動智能場景
mPaaS 提供了從 App 研發，測試，發佈，分析，運營全生命週期的管理，天然就提供了很多智能化的應用場景。
運用螞蟻金服沉澱的 AI 技術和 mPaaS 採集的業務數據，我們可以根據用戶的行為動態地創建人群歸類，這就是智能預測產品。智能預測還可以和灰度發佈、消息推送、智能投放等產品結合，針對有相同行為的人群提供定製化運營活動，提升留存、促進轉化。
智能預測技術模型
預測一個行為會不會發生本質上是一個監督學習模型。我們抽取最近 28 天的數據，取最近的一週數據打標，給用戶分類，其餘的 21 天數據用於特徵序列的生成，然後把所有的數據給到機器學習平臺，進行模型訓練。對即將到來的一週時間內的用戶行為進行預測，形成人群。
在訓練過程中，召回率、特異性、準確率等關鍵指標將被用作評估模型預測精準度。當然，不同場景下的預測模型風險承受能力不同，智能預測內置了“低置信度、中置信度及高置信度”三個級別。置信度越高，誤判率相對越低，但模型能夠圈定的用戶量也將越少。
對於“理財推薦”場景，我們可以選擇“低置信度”作為標準進行圈人，因為即使用戶沒有意願購買理財產品，但營銷信息的推送也是可被接受的。相反地，我們要面向即使流失的用戶推送優惠券來提升留存率，那麼“高置信度”是最合適的選擇。
智能預測內置了兩項預測任務，一項是“7 日內用戶持續活躍”，另一項是“7 日內用戶會流失”。同時，產品支持“自定義事件”設定，我們可以結合灰度發佈為不同人群定製不一樣的 App 體驗，也可以結合消息推送進行針對性的營銷推送。即使我們不確定哪種營銷策略是最優選擇，結合ABTest 可以針對同一類人群進行深度測試。
ABTest 技術模型
通過 ABTest，我們可以知道用戶喜歡什麼、不喜歡什麼，從而為 App 的體驗優化提供更多數據支持。如圖所示，支付寶面向不同用戶提供不同的界面樣式，從而幫助產品團隊更直接地找到最優的交互方案。
ABTest 不僅僅可以為客戶端體驗優化提供支持，同時可以參與服務端算法、策略實驗。和移動網關服務（MGS）結合，ABTest 能夠方便地支持後端算法、策略實驗；與移動分析服務（MAS）結合，ABTest 能夠基於用戶屬性、行為的數據結果幫助客戶制定正確的決策。
智能投放技術模型
智能投放產品能夠按照用戶屬性、實際需求真正做到千人千面，針對性地投放廣告。智能素材、智能圈人、智能推薦以及智能監控是目前支付寶內成熟應用的智能化模塊：
智能素材模塊通過智能算法對文案、圖片進行組裝並渲染給用戶，解決了投放內容單一、缺乏策略的弊端；
智能圈人模塊通過對特定事件進行模型預測以及種子用戶畫像進行目標人群圈定，解決了目標人群歸類難的問題；
智能推薦模塊能夠對內容進行排序，同時控制廣告展示，控制廣告展示的疲勞度；針對銀行等金融業務特點，LR,MAB,GBDT 等常用的推薦算法已集成到引擎內部，結合 mPaaS 客戶端 SDK 的統一數據採集、標準處理流程，客戶能夠做到在沒有算法工程師的情況下實現基本的營銷內容智能推薦；
智能監控模塊能夠結合數據分析提供預警，以降低投放活動的運行風險。
同時，AI 的輕量化是螞蟻金服不斷追求的目標。AR 紅包是近年春節流行的遊戲， 其 70% 的掃描和識別任務都在客戶端進行，只有不到 30% 的任務在服務端進行。主要是因為，螞蟻可以通過後臺的訓練模型生成客戶端識別模塊，直接在客戶端就可以完成大部分的識別。
基於 AR 紅包的具體實踐，mPaaS 推出了輕量化的客戶端智能化解決方案。mPaaS 中的移動分析服務（MAS）提供客戶端數據採集能力，底層自帶的智能化平臺包含與 MAS 配套的 AI 模型和決策能力，因此 mPaaS 基於本身的數據便可以展開精確的預測，並針對可能發生同類行為的群體進行灰度發佈、消息推送、智能營銷、ABTest 等運營手段。
除了文章中的內容外，我將會和mPaaS 團隊其它兩位成員羅其平、呂丹作為架構專場的講師，在7月6-7日第43屆MPD工作坊北京站上進行三小時的深度分享，歡迎現場交流，以下是架構專場的議題：
此外，本屆工作坊我們邀請到了阿里、百度、騰訊、新浪、去哪兒、滴滴、網易、VIPKID等企業的一線專家及技術大牛們，他們將通過演講、實操、分組討論、組別之間的PK等形式，實現理論落地學以致用，務求參會者能夠從演講中挖掘探索，總結提升。
閱讀更多 TOP100 的文章
