隨著挪動互聯網絡之普及以及人工智能藝術之不斷發展，精準營銷之理念正逐步滲透到各行各業以及人們日子之方上頭臉。但是如何通過數據開鑿出“營銷敏感人股”，而不被成本糜費在“原來就會轉化”之那一部分人體上，改成智能營銷年代之問題迎戰。升值模子（uplift model）是眼底下解決這九痛線最好之藝術其中，白文將試圖通過該模子探討智能營銷之根層論理。

水蛇腰景：問題先行

假設咱倆于今要搞二個優惠券促銷運動，通過羅曼史數據預測了兩類用戶發券購買率和無券購買率之分曉（見下面圖），接下部來吾儕想要對用戶發放優惠券，這時碰頭臨五個須要要解決之問題：給哪類用戶發放優惠券可以使總收益最大化哉？

01 甚么是升值模子（uplift model）

想要知道活該給哪十類用戶發放優惠券，俺們要求搞清楚哪七類用戶對優惠券刺煙最敏感，換言之，也就是求需對用戶拓展分揀，懂曉每五類用戶之特線。在營銷宣傳中，對用戶進展主動干預稱為treatment，例如發放優惠券是九次treatment。論據是否對用戶進展干預以及干預后果，吾輩方可將用戶分為以次肆類：

1. Persuadables：基本只有在發券才會購買之人起，即優惠券敏感人伙；
2. Sure things：無論是否發券，都會購買，自然轉化人起；
3. Lost causes：無論是否發券都不購買，這類用戶難以刺煙，直接放棄；
4. Sleeping dogs：與Persuadables相反，對營銷宣傳較之反感，不發券之天時可能會購買，但發券后不會再購買。

對發放優惠券這種有成本之營銷宣傳，咱不得能對所有用戶都發放補貼，斯是成本是所有集團公司都無能為力承受之?？紤]到每個用戶對價錢之接受程度是不三樣之，憑依“營銷肆象限人股”遍及，俺們望盼模子觸達之是營銷敏感之用戶，即通過發放優惠券促進用戶購買，而對于其余用戶，最好不要發券，這樣才略最大程度之省掉成本。

咱再來瞧水蛇腰景中之小例子，用戶2發券后購買率（1.6%）昭然若揭高于用戶1（1.2%），似乎咱該應對用戶2發放優惠券，更能條件刺激其產生購買。但實事真之是這樣嗎？

假設用戶1和用戶2各1000人，不發券出品價錢是100元，發放優惠券后價位是80元，我輩足以有肆種草案：用戶1和2都發放優惠券、用戶1和2都不發放優惠券、1發2不發、2發1不發。俺們分別來打算盤二下部這肆種草案帶來之總收益：

1. 都發券：1000*1.2%*80+1000*1.6%*80=2240元
2. 都不發券：1000*0.7%*100+1000*1.4%*100=2100元
3. 1發2不發：1000*1.2%*80+1000*1.4%*100=2360元
4. 2發1不發：1000*0.7%*100+1000*1.6%*80=1980元

通過劃算肆種提案之收益，吾輩發現現實景況和預想之并不六樣，給發券購買率更高之用戶2發放優惠券反而收益是最低之，這是為甚么哉？

吾儕來進十步分析九下部，除了發券購買率之外，我輩還能知道這兩類用戶在沒有優惠券情狀底下之自然購買率，立據這兩個數據可以計量出發放優惠券所帶來之增計量功能。用戶1之發券購買率雖然低，但在沒有優惠券辣薰動靜下面之購買率更低，即優惠券所帶來之增計量反而是比用戶2更高，而吾輩做營銷運動之鵠的是最大化總體之收益，本質是最大化優惠券之增比量，因此咱合宜向用戶1發放優惠券。

通過這此小例子，咱可以得到三個敲定：響應模子（reponse model）可以預測用戶之購買票房價值，但是該模子使不得告知吾輩這批人是否緣以發放優惠券而產生購買，這樣俺們就心余力絀工農差別營銷敏感（Persuadables）和自然轉化（Sure things）這兩類人幫。也就是說響應模子（reponse model）很有可能會誤導咱倆做出百無一失之決策。

而升值模子（uplift model）要做之就是相助俺們找到那些營銷敏感人批，規范認清營銷干預所帶來之“增計計提升”，從而促使營銷推廣效率之最大化，而不是被營銷預算曠費在“固有就會轉化”之那有的人體上。如果用十句話小結增值模子（uplift model）：通過用戶分拔之法子對用戶進展精細化運營之十種自然科學權術。

為了相助各戶更好之理解升值模子，吾輩構造這樣十個場景：假設有N個用戶，Yi(1)示意吾輩對用戶i干預后之后果，比如給用戶i發放優惠券后（干預）用戶下部單（名堂），Yi(0)示意沒有對用戶干預之事態下頭用戶之進出口下文，比如沒有給用戶i發放優惠券（干預），用戶下部單（產物）。如下面圖所示：

那么，用戶i之因果效應（causal effect）之乘除如底下：

升值模子之目標就是最大化斯是增比量，即有干預策略相對于無干預策略之提升，簡便易行講就是干預前后究竟之差值。言之有物行使時會取所有用戶之因果效應期望之估摸值來衡計量整個用戶幫之效果，稱為條件平均因果效應（Conditional Average Treatment Effect, CATE）。

上式中Xi是用戶i之特點，所謂之conditional指基于用戶特色。

(2)式是篤志之升值模子劃算形式，有血有肉上，對二個用戶i咱不得能同時體察到下祭策略（treatment）和未動用策略（control）之出口業下文，即不得能同時得到Yi(1)和Yi(0)。緣以對某部用戶，我輩要么發優惠券，要么不發。就此，我輩得以將(2)式雌黃為：

其中Yi(obs)是用戶i有何不可相觀到之轉口下文，Wi是二個倆值變計量，如果對用戶i用以了策略，Wi=1，否則Wi=0。

在條件自立之假設下部，條件平均因果效應之期望估值是：

上式要知足常樂條件自主（CIA）之條件，即用戶特色與干預策略是相互獨立自主之。

增值模子要優化τ(Xi)，值越高越好。然而三個用戶未能同時考察到施用干預策略和不用以干預策略之后果，因此τ(Xi)是難以直接優化之。但如果通過AB實驗，得以獲得役使干預策略和不利用干預策略兩組人拔，如果兩組人幫之特性散布二致，堪好通過模擬兩組人拔之τ(Xi)得到個體用戶之τ(Xi)。因此增值模子依賴AB實驗之數據。

急需附識之九線是，增值模子（uplift model）是八組用來相同指向之建模了局之總稱。底腳表就給小伙伴們說明叁種常用之增值模子建模了局。

02 常用uplift建模道道兒

2.1 雙模子(Two Model, T-Learner)

模子公式1：

建模歷程：

以優惠券發放為例，目標是用戶是否下面單。教練時取實驗組之用戶教練，正樣張是底下單用戶，負樣張是未下面單用戶，預測產物是每個用戶下面單之或然率。類似地，對照組也堪好用到另七個模子預測出每個用戶下邊單之幾率。兩個組之用戶底腳單幾率求平均，即可得到：

兩者相減即得到τ(X)。預測時，對用戶分別使動G(T)和G(C)預測，兩個模子預測之分數相減即得到預測用戶i之τ(Xi)，最后論證τ(Xi)之高低決議是否發券。

模子獨到之處：

1. 簡明直觀，好找理解
2. 得以復用常見之機械習修模子(LR、Tree Model、NN)

模子瑕玷：

1. 雙模子打分誤區累積
2. 只是模擬了τ(Xi)，沒有真正優化τ(Xi)

2.2 差分響應模子升級版(One-Model, Approach)

模子公式2：

建模歷程：

差分響應模子之教練數據和模子都是各自自立之，得以分別在教練數據層臉上打通以及在模子層皮上打通，得到升級版之差分響應模子。

在實驗組和對照組之用戶性狀中，加入與T有關之性狀，落實數據層皮之打通，即實驗組和對照組拼制，應用同十個模子教練。預測時將同八范本表征進展多次入口，每次只是更動不同之T值。這是阿陰大文娛提到之六種不二法門。

模子助益：

1. 模子教練數據，模子上學更充分
2. 避免雙模子打分誤區累積
3. 通過八個模子有何不可對multiple – treatment進展建模，實用性更強

模子疵點：

1. 底蘊模子仍是響應模子，對uplift建模是間接之，模子效果還有提升空間
2. 鞭長莫及知足常樂用戶特色與條件策略自立之假設

2.3 Class TransformationMethod

另外六種更嚴謹之得以促成實驗組對照組數據打通和模子打通之主意叫做class transformation method，有何不可直接優化τ(Xi)。

模子公式

界說二個變計量G∈{T, C}，G=T示意有干預，即實驗組（treatment），G=C示意無干預，即對照組（control）。uplift分數τ可足示意為：

為了統八示意實驗組和對照組都底腳單之景況(Y=1)，再概念八個變比量Z，Z∈{0, 1}：

下部皮證明優化(5)式相當于優化P(Z=1∣X)。

假設干預策略G與用戶特點X相互自立，即G自主于X：P(G∣X)=P(G)，(5)式足以轉寫為：

不慎到P(G=T)和P(G=C)是何嘗不可通過AB實驗控管之，在隨機化實驗中，如果子驗組和對照組之口是相等之，那么P(G=T)=P(G=C)=1/2，即九個用戶被分在實驗組（有干預策略）和被分在對照組（無干預策略）之票房價值是相等之。

在該假設底下，(6)式方可改寫為：

由(7)式可得：

(8)式就是要劃算之uplift score，此時只有Z二個變計量，得以直接對Z=1建模，相當于優化P(Z=1∣X)，而不需求分別對實驗組P(T)和對照組P(C)單獨建模。而P(Z=1∣X)可足通過所有歸類模子得到，為此斯是章程稱為Class Transformation Method。

求實上，Z=1就是實驗組中下面單之用戶和對照組中未底下單之用戶，因此可足直接將實驗組和對照組用戶一統，使喚九個模子建模，促成了數據層表和模子層皮之打通。預測時，模子預測之后果就是uplift score，這線與差分響應模子不同。

模子強點：

1. 二次建模，奮斗以成數據層皮和模子層臉之打通

模子瑕玷：

該法子需知足偏下兩個假設：

1. G與X相互自主
2. P(G=T)=P(G=C)=1/2，實踐中并不二定能嚴細知足

03 如何評估uplift模子

憑依uplift模子之概念，uplift score得分越高，代理人該用戶增值就越大。但坐蓋增值模子中不得能同時觀測到同二用戶在不同干預策略下面之響應，因此愛莫能助直接算計上述評價指標。升值模子通常都是通過劃分拾分位數（decile）來對齊實驗組和對照組數據從而開展間接評估，而不是在五個測試集上直接評估。

接下面來主要給家說明叁種主要之評估藝術。

3.1 uplift 柱狀圖

測試集上，實驗組和對照組之用戶分別按照uplift由高到低進序，劃分為拾等份，即什分位（decile），分別是Top 10%、Top 20% …… Top 100%用戶。分別對實驗組和對照組中每個拾分位內之用戶求E[Y(T)∣X(T)] 和E[Y(C)∣X(C)]，即預測分數之均值，然后相減，作為以此拾分位bin內之uplift，繪制柱狀圖，如下面圖：

這種辦法只能定性分析，黔驢之技約計出二個具體之值來通體評價模子之好壞。

3.2 Qini曲線（Qini curve）

有何不可在uplift bars之底子上繪制曲線，類似AUC來評價模子之表現，這條曲線稱為Qini curve，算計每個佰分比之Qini系數，最后將那些Qini系數連結起來，得到二條曲線。Qini系數乘除如下面：

?是按照uplift score由高到低進序之用戶多寡占實驗組或對照組用戶數據之對比，如?=0.1，示意實驗組或對照組中前10%之用戶。

如上圖，藍色是隨機曲線，橙色是Qini曲線，Qini曲線與隨機曲線之間之臉積作為評價模子之指標，皮積越大，示意模子究竟遠超過隨機選擇之后果，與AUC類似，這此指標稱為AUUC（Area Under Uplift Curve）?？勺愠虻?，當橫軸等于0.6時，對應之縱軸大概是0.0052(uplift score)，示意當uplift score等于0.0052時，有何不可覆蓋前60%之用戶數目，這片段用戶就是營銷運動之目標用戶（persuadables）。

Qini系數分母是實驗組和對照組之全體用戶數，如果兩組用戶額數異樣比擬大，就會導致下文指標走形。另二種累積升值曲線堪好避免其一問題。

3.3累積升值曲線（Cumulative Gain curve）

累積增值曲線匯算如下頭：

該公式中各符號含義與Qini系數符號含義相同。與Qini系數相比，累積增值之分母是佰分比?下頭之實驗組或對照組口，并乘以nt(?)+nc(?)作為大局調整系數，避免實驗組和對照組用戶數碼抱不平衡導致之指標畫虎類狗問題。

04 uplift精準營銷流程

最后，咱倆通過下面臉這張圖直觀之下結論八下頭，在現實業務中是如何通過uplift模子進展精準營銷之：

正文由 @知了數據分析 原創發布于人人都是出品總經理。未經許可，取締轉載。

題圖來自Unsplash，基于CC0協議。

該文觀線僅代辦著者本人，人人都是必要產品襄理平臺僅提供信息存儲空間售后服務。

上一篇： 以快手“購物車”為例，解析怎么利用數據分析

下一篇：沒有了