一个周内上线50个增长策略，竟然能这么高效！

作者|程哲（兰昊）

出品|阿里巴巴新零售淘系技术部

• 闲鱼的卖家都是普通小卖家，而非专业的 B 类商家。因此无法统一组织起来参加营销活动带来买家活跃。这一点是与淘宝／天猫的差别。

• 我们目前 DAU 已经突破到 2000W ，如何承接好这么大体量的用户，对运营同学是个很大的考验。

为了能更好地做好用户增长，在今年年初时，我们在用户增长下做了多个实验，希望提高用户停留时长。用户浏览时间越长，就越有可能发现闲鱼上还有很多有趣的内容，无论是商品宝贝还是鱼塘内的帖子。从而达到吸引用户下一次还能再回来的目的，最终带来用户增长。其中两个实验如下：

我们做的实验上线后大部分都取得了不错的业务效果，但是在过程中也暴露了两个问题：

• 研发周期长  一开始，我们先用最快的实现方案来做，主要是为了快速验证规则策略的有效性，并没有做大而全的设计，每个需求都是case by case地写代码来实现。那么从开始开发真正能到上线，很可能就是三周，主要因为客户端发版是有窗口的。

• 运营效率慢  因为上线慢，导致获取业务数据后再分析效果就很晚了，然后还要根据数据再去做调整那就更晚了。这样算下来，一年也上不了几个规则策略。

针对上述问题，我们先做了一层业务抽象。运营先通过对用户的各种行为进行一个分析和归类，得出一个共同的具体的规则，再将这个规则实时地作用到用户身上进行干预。

针对这层业务抽象，我们再做了工程化，目的就是为了提升研发效率和运营效率。这样就有了第一个方案——基于事件流的规则引擎，我们认为用户的行为是一串顺序的行为事件流，使用一段简单的事件描述 DSL ，再结合输入和输出的定义，就可以完整地定义一个规则。

以上述用户增长的第二个实验为例，如下图所示的 DSL 即可简单表达出来：

该规则引擎可以很好地解决之前用户增长业务下的几个策略，随后我们进行了内部推广，准备在闲鱼 C2C 安全业务下也落地。在 C2C 安全业务上有如下描述：

在 C2C 安全业务上，也有一个看似是一个针对一系列行为作出的规则抽象，如下图所示：

但是将上述规则套上规则引擎后，就会发现无法将安全的规则套上规则引擎。假设我们的详细规则是1分钟内被拉黑2次，就对该用户打上高危标记。那么我们想一想，当来了第一个拉黑事件后，匹配上了。然后紧接着来了第二个拉黑事件，也匹配上了。此时按照规则引擎的视角，条件已经满足了，可以进行下一步操作了。但是再仔细看一看规则，我们的规则是要被不同的用户拉黑，因为有可能是同一个用户操作了多次拉黑（同时多开设备）。而规则引擎上只知道匹配到了2次拉黑事件，对规则引擎来说已经满足了。却无法知道是否是不同人操作的。其根本原因是因为在规则引擎里，事件都是无状态的，无法回溯去做聚合计算。

针对规则引擎的局限性，重新分析和梳理了我们的实际业务场景。并结合了业界知名的通用的解决方案后，设计出了新的方案，定义了新的 DSL 。可以看到，我们的语法是类 SQL 的，主要有以下几个考虑：

• SQL已经是语义完备的编程语言，不用再去做额外的语法设计。

• SQL是一门很简单的语言，不需要花太多时间就可以掌握。

• 我们闲鱼的运营同学会写SQL，这样会让上线效率更快。

新的 DSL 方案与之前的规则引擎相比主要有以下几个增强：

• 增加了条件表达式。可以支持更丰富更复杂的事件描述，也就能支撑更多的业务场景。

• 增加了时间表达式。通过 WITHIN 关键字，定义了一个时间窗口。通过 HAVING 之后跟的DISTINCT等关键字，就可以针对时间窗口内的事件进行聚合计算。使用新的方案，就可以很好地解决上述 C2C 业务上的规则描述问题。

• 扩展性强。遵循了业界标准，与具体业务的输入和输出无关，便于推广。

针对之前的 C2C 业务上的规则描述问题，使用新方案的例子如下：

▶ 整体分层架构

基于这套用EPL（Event Programming Language）写出的DSL，为了做好工程化，我们做了如下的整体分层架构。为了快速实现最小闭环验证效果，我们选择先基于Blink（Blink是阿里对Flink的内部优化和升级）做云上的解析和计算引擎。

在这个分层架构里，至上而下分别是：

• 业务应用  在这里是我们整个系统的业务方，已经在多个业务场景下做了落地。

• 任务投放  这里是对业务应用层提供DSL声明和投放的能力，能可以做简单的圈人，以及与用户触达模块的关联。

• 用户触达  这个模块用于接收来EPL引擎计算的结果，根据关联的Action来实施动作。同时这个模块也可以独立对业务应用提供服务，即各个业务方可以拥有自己的逻辑，通过用户触达模块来触达用户。

• EPL引擎  目前已经实现了云上的解析和结算。用于接收来自任务投放里声明的DSL，再去解析和运行在Blink上。

• 事件采集  负责通过服务端日志和行为打点里采集行为事件，并归一化地输出给EPL引擎。

▶ 事件采集

通过切面的方式拦截所有的网络请求和行为打点，再记录到服务端日志流里。同时通过一个事实任务对事件流进行清洗，按前面定义的格式清洗出我们想要的事件。再将清洗后的日志输出到另一个日志流里，供 EPL 引擎来读取。

▶ EPL 实现

由于我们采取了类 SQL 语法，而 Calcite 是业界通用的解析 SQL 的工具，因此我们采用 Calcite 并通过自定义其中的 parser 来解析。如果是单一事件的 DSL ，则会解析成 Flink SQL 。如果是多事件的 DSL ，则会解析后通过直接调用 Blink 的 API 接口的方式来实现。

▶ 用户触达

当 EPL 引擎计算出结果之后，会输出给用户触达模块。首先会进行一个 Action 路由，最终决策出需要由具体哪一个 Action 来响应，最后通过与客户端之间的长连接将 Action 下发到端上。端上收到具体的 Action 后，会先判断当前用户的行为是否允许展示该 Action。如果可以的话，就直接执行 Action 的具体内容，曝光给用户。用户看到这次响应后会有相应的行为，那么这部分的行为会影响到 Action 路由，对这次的路由的做出一个反馈。

新方案上线后，我们就在越来越多的业务场景里进行了落地。这里列举2个例子：

在上述鱼塘的例子里，可以看出来，我们这套方案已经有了一点算法推荐的影子了。在上述租房的例子里，由于规则过于复杂，用DSL表达起来很麻烦，所以就做成只采集4次浏览不同租房宝贝的规则，即触发后，就将这里的数据都给到租房的具体开发的业务方，这也是我们在落地过程中摸到的边界。

使用这一套完整方案，研发效率上有了很大的提升。原先通过写代码 case by case 的方式一般要4个工作日完成整个研发流程，极端情况下需要跟客户端版本则需要 2-3 周的时间。现在通过写 SQL 的方式一般要0.5个工作日即可上线。

此外，这套方案还有如下几个优势：

• 高性能  整条链路计算完毕平均耗时5秒。

• 高可靠  依托于 Blink 的高可靠性，承载了双十一上亿的流量。

通过在多个业务的落地实践，我们也摸索出来这套方案的适用边界：

• 对实时性要求高

• 强运营主导规则

• 能够用 SQL 表达

当前整套方案还有如下几个方向可以进一步探索：

• 整条链路计算完毕平均需要5秒左右。如果放到对实时性要求更高的游戏任务场景下时，这就无法满足了。

• 闲鱼的业务已经连年保持了高增长，未来可能会面对比当下翻三番的用户流量，如果所有计算依然全部放在云上，则对云上的算力消耗是个极大的挑战。

• 目前我们的设计上，是没有算法接入的，只有简单的圈人。而为了让规则的投放更加精准，进而提升规则对用户的有效性，是需要与算法结合的。

One More Thing

在看点这里