Mengenai keuntungan Uplift, isu perniagaan am boleh diringkaskan sebagai, Antara kumpulan orang yang ditentukan, pemasar akan ingin mengetahui berapa banyak hasil purata (angkat, ATE, kesan rawatan purata) tindakan pemasaran baharu T=1 boleh bawa berbanding dengan tindakan pemasaran asal T=0. Semua orang akan memberi perhatian sama ada tindakan pemasaran baharu itu lebih berkesan daripada tindakan asal.
Dalam senario insurans, tindakan pemasaran terutamanya merujuk kepada pengesyoran insurans, seperti copywriting dan produk yang didedahkan pada modul pengesyoran, dengan matlamat pelbagai pemasaran Di bawah kekangan tindakan dan kekangan, cari kumpulan yang paling banyak mendapat keuntungan disebabkan tindakan pemasaran dan lakukan Penyasaran Khalayak.
Mula-mula buat andaian yang lebih ideal dan sempurna: untuk setiap pengguna i, Anda boleh tahu sama ada dia membeli tindakan pemasaran. Jika anda membelinya, anda boleh berfikir bahawa Di dalam formula adalah positif dan nilainya agak besar jika anda tidak membelinya dan meluat dengan tindakan pemasaran, Di mungkin agak kecil atau malah negatif; Dengan cara ini, kesan rawatan kepada setiap pengguna individu boleh diperolehi.
Berkenaan pembahagian orang ramai, anda boleh lihat empat kuadran pemasaran dalam gambar di atas pastinya kumpulan Persuadables di sebelah kiri atas sudut. Digabungkan dengan formula, ciri kumpulan orang ini ialah apabila terdapat beberapa tindakan pemasaran, mereka akan membelinya dengan sangat banyak, iaitu, Yi > 0, dan nilainya agak besar. Jika tiada tindakan pemasaran diambil untuk kumpulan orang ini, ia akan menjadi negatif, atau ia akan menjadi agak kecil, bersamaan dengan 0. Di kumpulan orang sedemikian akan menjadi agak besar.
Melihat orang di dua kuadran yang lain, Pasti bermakna mereka ini akan membeli tidak kira pemasaran atau tidak, jadi faedah pemasaran pelaburan dalam ini kumpulan orang Kadarnya agak rendah. Anjing tidur bermakna pemasaran akan mempunyai beberapa kesan negatif. Adalah lebih baik untuk tidak menjalankan pemasaran untuk kedua-dua kumpulan ini.
Tetapi terdapat juga dilema yang bertentangan di sini: Di tidak begitu sempurna. Adalah mustahil untuk kita mengetahui sama ada pengguna berminat dengan rawatan pada masa yang sama, iaitu kita tidak boleh mengetahui reaksi pengguna yang sama terhadap rawatan yang berbeza pada masa yang sama.
Contoh yang paling popular ialah: Katakan ada ubat Selepas A mengambilnya, tindak balas A terhadap ubat itu akan diperolehi. Tetapi mereka tidak tahu bahawa jika A tidak mengambil ubat itu, kerana A telah mengambil ubat itu, ini sebenarnya adalah kewujudan kontrafaktual.
Untuk perkara yang bertentangan, kami membuat anggaran anggaran. Dalam kaedah anggaran ITE (Kesan Rawatan Individu), walaupun pengguna tidak dapat ditemui untuk bereksperimen dengan tindak balasnya terhadap dua rawatan, kumpulan pengguna dengan ciri yang sama boleh didapati untuk menganggarkan respons Sebagai contoh, dua orang dengan yang sama Xi boleh dihipotesiskan Dalam ruang ciri yang sama, ia lebih kurang sama dengan seseorang.
Dengan cara ini, anggaran Di dibahagikan kepada tiga bahagian: (1 ) Kadar penukaran Xi di bawah tindakan pemasaran T=1;(2)Kadar penukaran Xi di bawah tindakan pemasaran T=0;(3) angkat ialah Perbezaan, mengira perbezaan antara dua kebarangkalian bersyarat. Semakin tinggi nilai tingkatan kumpulan pengguna, ini bermakna kumpulan orang ini lebih bersedia untuk membelinya. Bagaimana untuk membuat angkat lebih tinggi? Dalam formula, kadar penukaran Xi di bawah tindakan pemasaran T=1 dinaikkan, dan kadar penukaran Xi di bawah tindakan pemasaran T=0 adalah lebih kecil.
Dari segi kaedah pemodelan, digabungkan dengan formula di atas, buat beberapa generalisasi:
(1) Bilangan pembolehubah T , jika terdapat bukan hanya satu tindakan pemasaran, tetapi n tindakan pemasaran, ia adalah pemodelan Uplift berbilang pembolehubah, sebaliknya ia adalah pemodelan Uplift univariate.
(2) Kaedah ramalan kebarangkalian bersyarat P dan angkat : ① Melalui pemodelan pembezaan, ramalkan Anggarkan Nilai P dan kemudian cari nilai angkat Ini adalah pemodelan tidak langsung. ② Melalui pemodelan langsung, seperti model penukaran label, atau hutan penyebab, seperti Tree base, LR, GBDT atau beberapa model dalam.
Kepekaan gain digunakan terutamanya dalam tiga aplikasi : pengesyoran produk insurans, pengesyoran sampul merah dan pengesyoran copywriting.
Pertama sekali, mari perkenalkan kedudukan insurans perjalanan di Fliggy. Insurans perjalanan ialah sejenis produk perjalanan, tetapi ia muncul lebih kerap dalam pautan bertali dengan produk utama. Contohnya, apabila kami menempah tiket penerbangan dan hotel, niat pembelian utama kami ialah: hotel, tiket penerbangan dan tiket kereta api Pada masa ini, APP akan bertanya kepada anda sama ada anda ingin membeli insurans. Oleh itu, insurans adalah perniagaan sampingan, tetapi kini telah menjadi sumber pendapatan komersial yang sangat penting dalam industri pengangkutan dan penginapan.
Skop utama artikel ini ialah halaman timbul: halaman timbul ialah halaman yang akan muncul apabila APP Fliggy menarik ke bawah juruwang. Halaman ini sahaja Satu salinan kreatif akan dipaparkan, dan hanya satu produk insurans boleh dipaparkan Ini berbeza daripada halaman butiran sebelumnya, yang boleh memaparkan pelbagai jenis produk dan harga insurans. Oleh itu, halaman ini akan cukup menumpukan perhatian pengguna di sini, dan boleh melakukan beberapa promosi baharu dan juga beberapa tindakan pemasaran untuk pendidikan dan latihan pengguna.
Masalah perniagaan yang dihadapi pada masa ini ialah: pada halaman pop timbul, kita perlu mengesyorkan Produk insurans atau sampul merah yang optimum boleh memaksimumkan penukaran atau hasil keseluruhan. Secara lebih khusus, ia adalah untuk mencapai matlamat perniagaan untuk menarik pelanggan baharu atau mencapai penukaran yang lebih tinggi. Matlamat hasil perniagaan adalah untuk meningkatkan kadar penukaran tanpa mengurangkan hasil.
Di bawah kekangan di atas, terdapat beberapa item pemasaran: (1) Mengesyorkan insurans harga rendah peringkat permulaan kepada pengguna; (2) Satu lagi rawatan , mengesyorkan beberapa sampul merah, terutamanya untuk melakukan beberapa operasi baharu. Dan Base ialah harga asal insurans.
Apabila membuat model, terdapat beberapa andaian: andaian kebebasan bersyarat. Merujuk kepada tindakan pemasaran rawatan Apabila memodelkan koleksi peningkatan, sampel mematuhi andaian kebebasan, dan pelbagai ciri pengguna adalah bebas antara satu sama lain. Sebagai contoh, sampul merah tidak boleh diedarkan secara berbeza mengikut umur Contohnya, perlu kurang pengedaran di kalangan orang muda dan lebih banyak pengedaran di kalangan orang tua. Ini akan menyebabkan sampel menjadi berat sebelah. Oleh itu, penyelesaian yang dicadangkan adalah untuk membenarkan pengguna mendedahkan produk secara rawak. Begitu juga, anda juga boleh mengira skor kecenderungan untuk mendapatkan kumpulan pengguna homogen untuk perbandingan.
Dari segi reka bentuk percubaan , percubaan AB: A diletakkan mengikut strategi asal, yang mungkin 40 yuan insurans, atau Ia boleh menjadi penetapan harga insurans mengikut operasi, atau penetapan harga model asal. B tong, penempatan insurans berharga rendah.
Label: Sama ada pengguna menukar atau menyelesaikan transaksi.
Model: Pelajar T/S/X dan pelbagai jenis model Meta.
Struktur sampel: Rayuannya adalah untuk mencirikan sama ada pengguna lebih berminat dengan harga rendah seperti ini insurans. Ia adalah perlu untuk mempunyai ciri yang mencukupi untuk mencirikan kepekaan pengguna terhadap harga. Tetapi sebenarnya, seperti produk tambahan, tidak ada niat yang agak kuat. Oleh itu, adalah sukar untuk kita melihat berapa banyak insurans yang pengguna suka atau berapa banyak insurans yang akan dibelinya daripada sejarah penyemakan imbas dan rekod pembelian pengguna. Kami hanya boleh melihat data dalam domain perniagaan utama atau beberapa APP Fliggy lain yang dilayari oleh pengguna. Kami juga akan melihat kekerapan penggunaan sampul merah pengguna dan perkadaran penggunaan sampul merah menghantar sampul merah dalam beberapa hari pertama? Hanya selepas itu transformasi dilakukan pada Fliggy.
Berdasarkan pembinaan sampel ciri di atas, kepentingan ciri dan kebolehtafsiran juga dibawa analisis keluar. Ia boleh dilihat daripada model asas Pokok bahawa ia agak sensitif kepada beberapa ciri masa, pembolehubah harga, dan pembolehubah umur.
Kaedah pengiraan penunjuk penilaian: Gini dan Gini Terkumpul. Bahagikan Uplift kepada n kumpulan, dan hitung skor Gini untuk setiap kumpulan, seperti yang ditunjukkan dalam formula pertama dalam rajah di atas Di bawah kumpulan ini, kadar penukaran selepas pengguna dipetakan ke baldi ujian dan baldi asas diperoleh, dan maka Gini dikira. Dengan analogi dengan Uplift Gini, dengan mengira mata pendapatan di bawah ambang yang berbeza, ini membantu kami membuat penentuan ambang.
Tersedia di luar talian, model berprestasi terbaik ialah LR+T-Learner, yang sebenarnya tidak begitu konsisten dengan yang asal dijangka. Selepas memikirkan isu ini, mungkin masalahnya terletak pada pembinaan pengguna ciri-ciri harga berkaitan insurans, yang tidak cukup untuk dijelaskan. Kerana kami juga telah melakukan beberapa kajian pengguna, seperti personaliti pengguna dan kepekaan terhadap insurans Sesetengah data potret pengguna dalam domain APP boleh menunjukkan minat pengguna terhadap produk bukan fizikal. Tetapi pada akhirnya, ia masih berdasarkan skor ini untuk menggambarkan kumpulan untuk pengedaran, dan baldi asas dalam talian meningkat sebanyak 5.8%.
Dari segi cadangan sampul merah, kami juga boleh berdasarkan insurans 40 yuan, Mengeluarkan insurans sebanyak 3/5/8/10 yuan.
Kami mempunyai matlamat perniagaan iaitu ROI tambahan, definisi formula ialah: baldi ujian Bolehkah GMV tambahan yang diperolehi dengan menolak GMV baldi asas daripada GMV menampung perbelanjaan pemasaran yang digugurkan dalam baldi ujian? Jika ROI tambahan lebih besar daripada 1, ini bermakna pemasaran tidak kehilangan wang. Jadi dalam senario ini, keperluan kita adalah untuk tidak kehilangan wang. Sebelum kami menggunakan model Uplift, pelajar operasi terlebih dahulu akan melakukan gelombang penghantaran Antara kumpulan benih mereka, ROI adalah antara 0.12-0.6, jadi salah satu keperluan kami adalah untuk mempunyai ROI yang lebih tinggi daripada ini tanpa kehilangan wang.
Melalui pembongkaran matlamat di atas, masalah akhirnya diubah menjadi anggaran kadar penukaran pengguna dan anggaran Peningkatan, seperti yang ditunjukkan dalam formula di bawah rajah di atas.
Akhirnya, selepas beberapa siri perubahan, kami sebenarnya kembali kepada penyelesaian untuk nilai Naikkan dan kebarangkalian bukan pembelian. Kebarangkalian bukan pembelian merujuk kepada kadar penukaran pengguna apabila tiada kupon dikeluarkan Jika anda ingin menjadikan ROI baru disebut lebih tinggi, ini bermakna anda perlu mencari kumpulan pengguna Lebih kecil P0, lebih baik dan lebih tinggi nilai Peningkatan, lebih baik.
Versi pertama model ialah model separa pintar membuat keputusan: berdasarkan nilai Peningkatan yang dikira di bawah jumlah kupon yang berbeza, dan kemudian dengan memerhatikan kesan rawatan selepas ia masuk dalam talian, Ambang ditetapkan, dan setiap ambang ditetapkan untuk menampung kos.
Versi kedua ialah model penetapan harga pintar: ia menggunakan penyelesaian dua masalah dan kekangan Pengeluaran kupon mestilah kurang daripada atau sama dengan 1, iaitu, Xij
Menggunakan model harga berbanding dengan penghantaran sampul merah dalam baldi operasi asal, ROI tambahan boleh mencapai 1.2.
Syor dalam copywriting adalah serupa dengan syor produk sebelumnya dan syor sampul merah. idea. Kami akan mendapati bahawa sesetengah pengguna mempunyai pilihan yang berbeza untuk gaya penulisan salinan yang berbeza, jadi kami akan menyusunnya, seperti "dengan jaminan keselamatan" yang hangat, atau beberapa amaran tentang risiko. Ia juga akan didapati bahawa terdapat perbezaan yang agak besar dan jelas di kalangan kumpulan bersegmen yang berbeza Dari perspektif kepentingan ciri, ayat hangat mungkin berkesan untuk mereka yang dilahirkan pada tahun 1980-an atau beberapa orang yang lebih tua, manakala penulisan salinan dengan sifat berasaskan alasan mungkin. lebih berkesan , akan lebih sesuai untuk golongan muda. Dari segi kepentingan ciri-ciri kumpulan bersegmen, dan pada masa yang sama cuba memperibadikan copywriting, terdapat peningkatan relatif 5% hingga 10%.
Rangkaian penyebab Bayesian terutamanya mewakili hubungan sebab akibat antara urus niaga dan struktur graf lima cincin terarah. Mula-mula, mari kita perkenalkan secara ringkas sebab rangkaian Bayesian digunakan. Di bawah copywriting yang disyorkan yang berbeza, kami ingin tahu sebab pengguna berminat dengan copywriting, atau sebab mereka boleh menukar, dan apakah pembolehubah tersembunyi di sebaliknya. Oleh itu, apabila membina rangkaian boleh tafsir, bucu terutamanya pembolehubah yang diperhatikan atau pembolehubah tersirat, tepi merujuk kepada hubungan sebab akibat antara dua bucu, dan hubungan boleh dikira melalui kebarangkalian bersyarat antara nod. Dalam rangkaian Bayesian, struktur rangkaian akhir diperoleh dengan mendarabkan nilai kebarangkalian setiap bucu di bawah syarat semua nod induk.
Terdapat 4 jenis masalah pembelajaran model dalam struktur rangkaian:
① Pembelajaran struktur: Berdasarkan sampel, cara mempelajari rangkaian Bayesian yang lebih baik, terutamanya berdasarkan posteriori, seperti yang ditunjukkan dalam formula di atas, jika nilai kebarangkalian struktur lebih tinggi, rangkaian itu dianggap sebagai menjadi yang paling cemerlang.
② Selepas mendapatkan struktur, bagaimana untuk mengetahui nilai kebarangkalian bersyarat nod dalam rangkaian dan parameternya.
③ Inferens: Apabila peristiwa A berlaku, kebarangkalian kejadian B berlaku.
④ Atribusi: Apabila peristiwa A berlaku, apakah sebab yang menyebabkan ia berlaku.
yang disebut di atas Ya, senario pengesyoran insurans adalah berbeza daripada pengesyoran Insurans adalah perniagaan tambahan, dan pengguna tidak subjektif Iaitu, sebelum datang ke modul ini, sejarah penyemakan imbasnya dalam domain APP tidak ada kaitan dengan jenis insurans atau insurans yang dimiliki oleh pengguna adalah menarik dan tidak ada kaitan yang homogen. Dalam carian, jika anda memasuki hotel mesra keluarga, anda akan mengetahui bahawa pengguna mempunyai permintaan untuk hotel dengan label ibu bapa dan anak. Dalam senario kem bantuan, proses penaakulan yang kompleks diperlukan untuk mengetahui jenis tindakan Rawatan yang berkesan. Sebagai contoh, melalui perlombongan rangkaian, akan didapati jualan insurans yang tertangguh akan menjadi lebih baik apabila cuaca buruk.
Cara untuk memodelkan dan membina nod dan tepi dalam rangkaian ke dalam jenis berikut :
① Nod pengguna , yang menggunakan maklumat asas potret pengguna seperti umur dan jantina sebagai pembolehubah diskret , menjadi nod.
② Nod peristiwa , kerana senario insurans lebih sensitif kepada peristiwa berbanding banyak cadangan produk lain , untuk contohnya, semasa cuaca atau perayaan, pengguna mungkin lebih sensitif untuk menangguhkan insurans atau insurans tertentu dengan atribut tertentu.
③ Nod kreatif , seperti copywriting panduan yang hangat, copywriting digital dinamik, dsb. akan mempunyai kesan yang berbeza .
Berdasarkan tiga kategori nod di atas, lakukan pengiraan kebarangkalian bersyarat untuk melengkapkan pembinaan graf.
Pengguna yang baru disebut mendapat pemahaman dan pemahaman kreatif dengan membina senario dan peristiwa. Akhirnya, semua jenis nod disatukan ke dalam struktur yang ditunjukkan dalam rajah di atas.
Selepas mendapat nod, laksanakan pembelajaran struktur dan gunakan fungsi pemarkahan Hockman + carian gred. Proses ini terutamanya melibatkan pengiraan nilai kebarangkalian posterior rangkaian selepas diberi data dan struktur rangkaian, dan menilai sama ada rangkaian itu berkesan.
Apabila melakukan fungsi pemarkahan Hockman, mungkin terdapat berbilang pembolehubah, diskret atau berterusan. Apabila dibina, ia menjadi pembolehubah diskret untuk memudahkan tafsiran dan pemodelan seterusnya. Kami akan menganggap bahawa setiap pembolehubah mematuhi taburan Dirichlet, gunakannya pada sampel untuk mengemas kini posterior, kemudian hitung nilai posterior setiap nod, darabkan kebarangkalian antara nod, dan dapatkan skor struktur. Ia agak biasa Jika anda berminat, anda boleh mengetahui lebih lanjut mengenai kaedah ini kemudian. Oleh kerana struktur rangkaian agak kompleks, kaedah pencarian tamak digunakan dalam keseluruhan rangkaian. Anggaran parameter agak mudah, dan jadual kebarangkalian bersyarat nod dikemas kini berdasarkan sampel.
Aplikasi yang boleh ditafsir, berdasarkan kemas kini struktur dan parameter, boleh dilakukan dalam dua bahagian Perkara :
① Buat kesimpulan jenis keputusan yang boleh dibuat oleh pengguna berdasarkan pelbagai jenis bukti, sama seperti contoh yang dinyatakan di atas. Anda boleh menggunakan pemberat Kemungkinan atau Penyebaran Kepercayaan Bergelung, ini adalah beberapa kaedah yang lebih biasa.
② Atribusi, apa yang ditunjukkan dalam gambar di atas adalah insurans kesihatan, seperti insurans kemalangan, yang tiba-tiba dijual dengan baik untuk membelinya, mungkin penggunaan pengguna Sebab tahap pembelian yang tinggi ialah pengguna baru dan jarang terbang sebelum ini, atau destinasi pengguna mempunyai atribut dataran tinggi, yang membawa kepada pembelian kerana ketakutan.
Akhir sekali, untuk meringkaskan, inferens sebab-akibat memainkan peranan yang besar dalam khalayak ramai dan strategi pengesyoran pengesyoran produk insurans, sampul merah dan pemasaran copywriting. Pada masa yang sama, digabungkan dengan pembinaan rajah kausa Bayesian dan penjelasan visual, beberapa keputusan yang lebih bermakna boleh diberikan kepada perniagaan, membolehkan mereka mengemas kini strategi atau penulisan salinan secara berterusan, atau membuat beberapa perubahan arah. Gambar rajah kausa Bayesian juga menyediakan idea baharu untuk pemilihan ciri.
A1: ① Pengesahan wujud kerana kesannya telah dipertingkatkan pada AB dalam talian.
② Sebelum mengimport model kausal, contohnya, strategi awal dalam senario sampul merah ialah anggaran kadar penukaran. Jika anda boleh meramalkan kumpulan pengguna yang tidak akan menukar asalnya, dan menjalankan operasi pemasaran pada mereka, anda boleh memastikan bahawa kos pemasaran boleh dikawal.
③ Had, kadar penukaran pengguna mungkin tidak tinggi, yang bermaksud walaupun anda memberinya sampul merah, dia tidak akan menukar. Jadi ini antara masalah yang kami hadapi sebelum ini.
④ Selepas mengimport inferens model kausal, penambahbaikan yang paling jelas adalah dalam fleksibiliti pengguna. Selepas menggunakan teknologi inferens sebab, kita boleh mempunyai pemahaman yang lebih jelas tentang pengguna dan pertimbangan yang lebih jelas mengenai benih kumpulan pengguna.
A2: Jika sebilangan besar ciri dipilih pada langkah pertama, kesannya mungkin tidak begitu baik. Dalam pemilihan awal, kami menggunakan pembolehubah tunggal untuk melihat sama ada terdapat korelasi yang sangat kuat antara pembolehubah dan keuntungan, dan kemudian masukkannya. Sudah tentu, anda boleh melihat pada model pokok kemudian bahawa ciri-ciri dijaringkan dan kemudian ditapis, yang merupakan asas untuk pertimbangan kami.
A3: ① Pemodelan pembezaan, yang akan membawa kepada pengumpulan ralat.
② T-pembelajar terutamanya lulus penilaian luar talian. Kami agak keliru tentang isu ini pada masa itu, secara ringkasnya, kami merasakan ia mungkin kerana tiada ciri yang sangat kuat untuk mencirikan keuntungan secara langsung. Oleh itu, keputusan yang diperoleh kemudian pada beberapa model tradisional tidak begitu buruk. Ini hanyalah penilaian model kompleks dan model mudah Model ringkas mungkin lebih mantap.
③ AUUC Sebenarnya, kami juga menggunakannya, tetapi ia sebenarnya tidak jauh berbeza.
④ Pembolehubah yang diperhatikan mungkin merujuk kepada pembolehubah yang boleh diperhatikan dalam data, manakala pembolehubah tersembunyi merujuk kepada pembolehubah tersirat yang boleh kita huraikan dalam data yang diperhatikan . Sebagai contoh, personaliti, sudah tentu, tidak digunakan dalam Internet.
A4: Belum mencubanya.
A5: Inferens sebab merupakan salah satu tugas kami pada tahun lepas ini terutamanya atas cadangan penulisan salinan kreatif.
Atas ialah kandungan terperinci Aplikasi teknologi cadangan sebab dalam pemasaran dan kebolehjelasan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
