關於Uplift 增益，通用的業務問題可以總結為，在圈定的人群中，行銷人員會想知道，新的行銷動作T=1 相比較原始的行銷動作T=0，能帶來多少的平均收益（lift，ATE，Average Treatment Effect）。大家會關注新的行銷動作是否比原來的更有效。
在保險場景下，行銷動作主要指的是保險的推薦，例如推薦模組上透出的文案和產品，目標是在各種行銷在動作和約束條件限制下，找出因行銷動作而增益最多的群體，去做定向投放（Audience Targeting）。
#先做一個比較理想且完美的假設：對於每一個使用者i ，都能知道他對行銷動作t 是不是買單。如果買賬，可以認為公式中的 Di 為正，且 value 比較大；如果不買賬，且對行銷動作很反感，Di 可能就會比較小，甚至是負向的。這樣就能夠得到每個使用者個體對於 treatment 的效果。
關於人群劃分，可以看到上圖中的行銷四象限，我們最關注的肯定是左上角 Persuadables 的人群。結合公式，該人群的特徵是當有一些行銷動作的時候，會很買賬，也就是 Yi > 0 ，且值比較大。如果對該人群不去做行銷動作則是負的，或者是比較小，等於 0，這樣的人群的 Di 就比較大。
再看另外兩個像限的人，Sure things，指無論是否行銷，這些人都會買，那麼行銷投到這一人群上的收益率是比較低的。 Sleeping dogs，是指去做行銷反而會起到一些負面作用。這兩部分群體最好不要進行行銷投放。
#但這裡也存在著反事實的兩難：Di 沒有那麼完美。我們不可能同時知道一個使用者對 treatment 是否感興趣，即無法知道同一使用者在同一時間對不同 treatment 下的反應。
最通俗的例子是：假設有一個藥物，給 A 吃了之後，會得到 A 對藥物的反應。但卻不知道，如果 A 不吃的結果，因為 A 已經將藥吃下去了，這其實就是一個反事實的存在。
對於反事實，我們進行了近似的預估。 ITE（Individual Treatment Effect ）預估的方式，雖然找不到一個用戶，實驗其對兩個treatment 的反應，但可以找到相同特徵的用戶群來預估反應，比如具有相同Xi 的兩個人，可以假設在同一特徵空間下，近似等同為一個人。
#這樣，Di 的預估分成了三個區塊：（1） Xi 在T=1 的行銷動作下的轉換率；（2）Xi 在T=0 的行銷動作下的轉換率；（3）lift 是一個差值，計算兩個條件機率下的差異。使用者群體的 lift 值越高，表示該族群更買單。如何讓 lift 更高呢？在公式中，是將 Xi 在 T=1 的行銷動作下的轉換率變大，Xi 在 T=0 的行銷動作下的轉換率越小即可。
在建模方式上，結合上文的公式，做一些歸納：
（1）T 變數的數量，如果不只是一個行銷動作，而是有n 個行銷動作，則為多變量Uplift 建模，否則是單變數Uplift 建模。
（2）條件機率P 以及lift 的預估方式：① 透過差分建模，預估P 值，然後找到lift 值，這是間接的建模。 ② 透過直接建模，例如標籤轉換模型，或因果森林，如 Tree base 、LR、 GBDT 或一些深度模型。
面的應用：保險產品的推薦，紅包推薦，以及文案的推薦。 首先來介紹一下，旅遊保險在飛豬上是什麼樣的定位。旅遊保險是旅行商品中的一個種類，但它更多的是出現在主營商品的搭售鏈路上。例如我們去訂機票、飯店的時候，主要購買意圖是：飯店、機票、火車票，這時候 APP 會問你要不要買保險。所以保險是屬於一個輔營業務，但是其目前已成為交通和住宿行業一個非常重要的商業性收入來源。
本文講的主要作用域在彈窗頁：彈窗頁是飛豬APP 下拉收銀台的時候會彈出的一個頁面，這個頁面只會展示一種創意文案，只能展示一種保險商品，這一點與前面詳情頁可以展示多個類型的商品，以及保險的價格不同。所以這個頁面，會讓用戶的注意力足夠的聚焦在這裡，並且可以做一些拉新促活，甚至是一些用戶教育培養的營銷動作。
#目前遇到的業務問題是：在彈窗頁面，我們需要推薦一個最佳的保險產品或紅包，使得整體的轉化或收益最大化。更具體的是去做一個拉新，或是更高轉換的業務目標。而業務收益目標是在收益不降低的情況下，提高轉換率。
在以上的限制條件下，有幾個行銷項目：（1）給用戶推薦一個入門級低價保險；（2）另外一個treatment ，推薦一些紅包，主要是去做一些拉新的操作。而 Base 就是原價的保險。
#建模的時候，有一些假設的條件：條件獨立的假設。指 treatment 行銷動作，在建模 uplift 採集的時候，樣本服從假設條件獨立，使用者的各個特徵是相互獨立的。例如發紅包，不能在年齡上有不同的分佈，例如，在年輕人上少一點，老年人上發的多一點。這個會導致樣本有偏。所以提出的解法是讓使用者隨機地去曝光商品。同樣的，也可以計算傾向性得分，得到同質的用戶群，去做對比。
############在實驗設計######上，AB 實驗：A 是用原來的策略去投放，可能是40 塊的保險，也可能是營運來進行保險的定價，或是原始模型的一個定價。 B 桶，低價保險投放。 ###### #####################Label ：###使用者是否轉換成交。 ##########模型：T/S/X-learner 以及各類別的這種 Meta 模型。
樣本建構：#訴求是要刻畫使用者到底對這種低價保險是否更感興趣，就需要有足夠的特徵去刻畫使用者對價格的敏感度。但實際上像輔營產品，沒有一個比較強的意圖性。所以我們很難從用戶的歷史瀏覽購買記錄當中，看到用戶到底喜歡多少塊的保險，或者是他會購買多少錢的保險。我們只能從主營或使用者串流瀏覽的一些其他的飛豬APP 網域內的資料去看，也會看使用者紅包的使用頻率和紅包消費比例，例如使用者會不會只有在發紅包的前幾天，才在飛豬上進行轉化。
#基於以上的特徵樣本的構造，同樣進行特徵重要性和可解釋性的分析。透過 Tree base 模型可以看到，在一些時間、價格變數、年齡變數特徵上是比較敏感的。
評估指標的計算方式：Gini 和 Accumulated Gini。將 Uplift 分成 n 組，每一組去計算一個 Gini 分，如上圖第一個公式所示，在該分組下得到用戶映射到 test 桶和 base 桶之後的轉換率，再去算 Gini。同理類推到 Uplift Gini，透過計算不同的門檻下的收益分，輔助我們去做閾值的一個判定。
透過離線可得，表現最好的模型是LR T-Learner，其實不太符合原始的預期。後來思考了這個問題，也許問題出在使用者對保險相關的價格特徵的建構上，並不太足夠去刻畫。因為我們也去做了一些用戶調查，例如用戶的性格，對保險的敏感程度，這種 APP 域內的一些用戶畫像數據，能看到用戶對一個無實體商品的感興趣程度。但最終，還是基於這樣的分數，去劃定人群做投放，線上的 base 桶相對提升 5.8%。
#在紅包推薦上，我們也可以在40 元的保險的base上，發一個3/5/8/10 塊的保險。
#我們有一個業務目標就是增量ROI，公式定義是：test 桶的GMV 減去base 桶的GMV，得到的增量GMV，能不能cover 掉在test 桶的行銷費用。如果增量 ROI 大於1，就表示行銷是不虧的。所以在該場景下，我們的要求是不虧。在我們在用 Uplift 模型之前，營運同學會先去做一波投放，在他們的種子人群上，ROI 在 0.12-0.6 之間，所以對我們的一個要求就是要比這個 ROI 高，且不虧本。
透過上述目標的拆解，問題最後又轉化為使用者的轉換率的預估以及 Uplift 預估，如上圖下面的公式所示。
最後經過一系列的變化，實際上又回到了去求解 Uplift 值以及未購買機率。未購機率是指用戶在不發券時候的轉換率，如果想讓剛剛提到的 ROI 越高，就代表需要找到一個用戶群，P0 越小越好，且 Uplift 值越高越好。
第一版模型是半智能的決策模型：根據在不同券額下計算得到的Uplift 值，再透過觀察treatment 上線之後的效果，卡定閾值，每個卡定的閾值是為了能夠cover 掉成本。
#第二版是智慧定價模型：借鑒了對偶問題的求解，限制條件是發券要小於等於1 即Xij
#使用定價模型相比原來營運桶的紅包投放，增量ROI 能達到1.2。
在文案的推薦上，跟之前的產品推薦和紅包推薦有相似的思路。我們會發現一些用戶對不同風格的文案有不同的偏好，所以將其結構化出來，比如溫馨類的“帶份平安保障”，或者一些提示風險。也會發現，在不同細分人群上，存在著比較大的明顯的差異，從特徵重要性來看，溫馨的語句，可能對80 後或者是一些年紀偏長的人有效，而偏理由性質的文案，對年輕人會比較適用。從細分人群的特徵重要性上，同時也做文案的個人化嘗試，有 5%～10% 的相對提升。
貝葉斯因果網絡主要是表徵事務間因果關係，有向五環圖的結構。先簡單介紹為什麼要使用貝葉斯網路。在不同的推薦文案下，我們想知道用戶為什麼對文案感興趣，或者說為什麼能轉化，背後到底有哪些隱藏的變數。所以做可解釋性網路的構建，頂點主要是觀測變量，或隱含變數；邊是指兩個頂點之間存在的因果關聯，關聯可以透過節點之間的條件機率去計算。在貝葉斯網路當中，經過每個頂點，在所有父節點條件之下的機率值相乘，得到最終的網路結構。
#在網路結構中有4 個類別模型學習的問題：
① 結構學習：基於樣本，怎樣才能學習一個比較優的貝葉斯網絡，主要是基於後驗，如上圖公式，如果structure 的概率值越高，則認為網絡學的最優。
② 得到結構之後，怎麼知道網路裡節點上的條件機率值，以及它的參數。
③ 推論：當事件 A 發生的時候，事件 B 發生對機率。
④ 歸因：當事件 A 發生的時候，導致 A 發生的原因有哪些。
#上文中提到，保險推薦場景與搜尋推薦不太一樣，保險推薦是個輔營業務，用戶不帶有主觀，也就是在來到這個模組之前，他在APP 域內的瀏覽記錄，跟用戶對什麼樣的保險或文案感興趣，沒有同質的關聯性。而在搜尋中，輸入親子飯店，就知道使用者對親子標籤的飯店有需求。在輔營場景，需要複雜的推理過程，才能知道什麼樣的 Treatment 動作是有效的。舉個例子，透過網路挖掘會發現，在天氣惡劣的情況下，可能延誤險的銷售量會比較好。
#如何建模，把網路裡的節點和邊建構成如下的幾種：
① 使用者節點#，將年齡、性別這種使用者畫像的基礎資訊作為離散變量，成為一個節點。
② 事件節點#，因為保險場景對事件的敏感度要高於許多其他的商品推薦，例如在天氣或節日下，使用者可能會對延誤保險，或是某些有特定屬性的保險比較敏感。
③ 創意節點#，例如溫馨類別引導性文案、動態數字文案等都會有不同的效果。
基於以上三大類節點，做條件機率計算，完成圖的建構。
#剛剛提到的用戶，透過建構場景和事件的理解和創意理解。最後，把所有的節點類型都統一到如上圖所示的結構中。
得到節點之後，進行結構學習，使用 Hockman scoring function grade search 。這個過程主要是在給定資料和網路結構之後，計算得到網路的後驗機率值，評估這個網路到底有沒有效。
在做 Hockman scoring function 的時候，可能有多種變量，離散型或連續型。在建構時都變成一種離散變量，方便後續的解釋和建模。我們會假設每一個變數符合狄利克雷分佈，施加於樣本上去做後驗的更新，再計算每個節點的後驗的值，把節點之間的機率相乘，得到結構的評分。比較通用，大家如果有興趣，可以後面詳細了解下這個方法。由於網路結構比較複雜，所以在整個網路中選用 greedy search 的方法。參數估計比較簡單，根據樣本對節點的條件機率表做更新。
#可解釋的應用，基於結構以及參數的更新，可以做兩個部分的事情：
① 基於各類別的evidence 推論使用者可能會做哪種決策，就像上文中提到的那些例子。可以使用 Likelihood weighting 或 Loopy Belief Propagation，這些是比較常見的一些方法。
#② 歸因，上圖裡面顯示的是健康類的保險，例如意外險突然熱銷，我們很想知道背後的原因，是因為有人喜歡買，可能用戶的消費力比較高，還是因為使用者是新人以前不怎麼坐飛機，或是用戶的目的地存在高原屬性，因為害怕心理導致購買。
最後進行總結，因果推論在保險產品推薦、紅包和文案行銷的人群和推薦策略中起到了很大的效果。同時，結合貝葉斯因果圖的建構和視覺化的解釋，可以為業務提供一些比較有意義的決策，讓他們可以持續更新策略或文案，或是進行一些方向性的變更。透過貝葉斯因果圖，也為特徵的選擇提供了新的思路。
A1：① 驗證是有的，因為已經在線上的 AB 上得到了效果提升。
② 在導入因果模型之前，舉個例子，在紅包場景最開始的策略是轉換率預估。如果能預估到一個使用者群體，它本來是不轉換的，對他們進行行銷操作，可以保證的是，行銷的成本是能被控制的。
③ 局限性，使用者的轉換率可能不高，這意味著即使你給他紅包，他也會不轉換。所以是我們之前遇到的一些問題。
④ 導入因果模型推論之後，最明顯的改善在應該是使用者彈性上。使用因果推論技術之後，可以對使用者有更清晰的理解，對使用者群種子有更清晰的判斷。
A2：第一步如果大量的特徵進行選擇，效果可能不太好。在初始選的時候，我們使用單變量，看變數和增益之間有沒有特別強的相關性，有才會把它放進去。當然，後面在樹模型上可以看到對特徵進行評分，然後篩選，是我們去判斷的一個依據。
A3：① 差分建模，它會導致一個誤差累積。
② T-learner 主要是透過離線的評估。這個問題當時我們也比較困惑，總結下，覺得可能是在特徵上，沒有一個非常強的特徵，直接對增益進行刻畫。所以後面在一些傳統的模型上，得到的效果也不是很差。這裡只是複雜模型和簡單模型的評估，簡單模型可能在穩健性上會更強一點。
③ AUUC 其實我們也有用到的，其實是差太多。
④ 觀測變數可能是指資料上可觀測的變量，而隱藏變數是指我們在觀測到的資料上面可以去刻畫的隱含的變數。例如性格這種，當然網路裡面還沒用到。
A4：還沒嘗試過。
#A5：因果推論是我們去年的一個工作，今年主要是在創意文案的推薦。
#以上是因果推薦技術在行銷和可解釋性上的應用的詳細內容。更多資訊請關注PHP中文網其他相關文章！
