中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

優(yōu)惠券發(fā)券是一個(gè)精準(zhǔn)營銷的過程，使用uplift模型計(jì)算用戶的增益或者利潤，幫我們實(shí)現(xiàn)增量價(jià)值最大化，避免盲目發(fā)放優(yōu)惠券。

作為運(yùn)營向用戶定向發(fā)優(yōu)惠券是不是經(jīng)常面臨這么兩個(gè)困惑：

困惑一：大規(guī)模發(fā)券，營銷成本很高，使用率很低困惑二：優(yōu)惠券使用率很高，優(yōu)惠券帶來增量業(yè)績很小ROI低，導(dǎo)致這種情形往往是把券發(fā)給了那些活躍用戶，這些用戶即使不發(fā)券也會大概率下單。

我們通過實(shí)際案例來探討一下如何解決這個(gè)問題

背景：針對流失用戶發(fā)召回短信召回，假如流失池里100萬用戶，我們只有10萬條短信預(yù)算，如何圈選這10萬人做到利潤最大化？

解決思路：

1、確定召回利益點(diǎn)券，假如發(fā)放滿300減50券

2、隨機(jī)選實(shí)驗(yàn)組和對照組各5000用戶，實(shí)驗(yàn)組發(fā)券，對照組不發(fā)券

3、在一個(gè)轉(zhuǎn)化周期內(nèi)回收結(jié)果，標(biāo)記使用和未使用

4、搭建uplift差分模型，分別用實(shí)驗(yàn)組和對照組搭建回歸二分類響應(yīng)模型

5、待營銷用戶輸入模型計(jì)算uplift score，按uplift score降序圈選剩余9萬用戶發(fā)券

6、對比模型定向用戶使用增益值，證明精準(zhǔn)營銷價(jià)值

一、首先，我們來介紹一下uplift模型原理

Uplift增益實(shí)驗(yàn)（Uplift Modeling）是一種用于估計(jì)個(gè)體干預(yù)增量（Individual Treatment Effect，ITE）的模型，即干預(yù)動作（treatment）對用戶響應(yīng)行為（response）產(chǎn)生的效果。Uplift增益實(shí)驗(yàn)的基本思想是，通過建立一個(gè)預(yù)測模型，來估計(jì)每個(gè)用戶在干預(yù)和不干預(yù)的情況下的響應(yīng)概率，然后計(jì)算兩者的差值，即增益值。

原理邏輯很簡單，粗白的說就是預(yù)測用戶在干預(yù)返券和不干預(yù)發(fā)券兩種情形下的回購率，差值就是干預(yù)的增益值，這么操作可以剔除那些即使不發(fā)券也會回流的用戶。

其次，運(yùn)營同學(xué)能不能搭建出這類的預(yù)測模型呢？

很多企業(yè)存在的問題是，一群工程師埋頭研究這些所謂大數(shù)據(jù)模型，而恰恰這群人是脫離業(yè)務(wù)的，預(yù)測模型的精髓是用戶特征工程是否能夠有效代表用戶的意愿，工程師們能想到的用戶特征無非是用戶瀏覽行為，比如打開APP次數(shù)、瀏覽時(shí)長、瀏覽頁面數(shù)；用戶購買行為，比如加購、收藏、購買、消費(fèi)頻次、消費(fèi)間隔時(shí)間等，而這些特征能夠有效預(yù)測一個(gè)用戶的購買行為嗎？顯然不能。

比如這組數(shù)據(jù)建模

單從這些淺層的用戶行為數(shù)據(jù)建模會產(chǎn)生純臆測的結(jié)果，從數(shù)據(jù)邏輯出發(fā)，用戶收藏的越多，加購的越多產(chǎn)生購買的概率很高，但從用戶真實(shí)場景出發(fā)，用戶是否購物受到競爭平臺比價(jià)、心情是否愉悅等多重因素影響，而這些特征恰恰是最接近業(yè)務(wù)最接近用戶的運(yùn)營同學(xué)來挖掘的。

我相信很多運(yùn)營同學(xué)不具備數(shù)據(jù)挖掘和建模能力，這篇文章的目標(biāo)是簡單來介紹運(yùn)營同學(xué)如何通過工具來實(shí)現(xiàn)大數(shù)據(jù)挖掘和建模工作，從而讓自身價(jià)值進(jìn)一步提升

二、我們來看下模型的實(shí)操搭建

第一步：用戶特征工程的梳理

除了用戶瀏覽行為、消費(fèi)行為、偏好行為特征，更重要的是挖用戶的趨勢行為，比如消費(fèi)間隔周期的趨勢、消費(fèi)品類數(shù)、消費(fèi)金額等等趨勢，如果一個(gè)用戶消費(fèi)品類由多元變得單一或者消費(fèi)客單價(jià)分布由多低變高或由高變低，消費(fèi)頻率由穩(wěn)定變隨意或隨意變穩(wěn)定，都可以預(yù)測一個(gè)用戶下次消費(fèi)行為。

比如電商平臺的一個(gè)用戶，在上個(gè)消費(fèi)周期消費(fèi)品類包含3c數(shù)碼、生鮮、日百，本周期消費(fèi)品類只有3C，且綜合客單價(jià)由幾百變成上千，復(fù)購周期趨勢由30天變成60天，那這個(gè)用戶繼續(xù)購買生鮮的概率有多高？

通過挖掘用戶行為趨勢，再結(jié)合AB實(shí)驗(yàn)響應(yīng)的數(shù)據(jù)，就可以搭建預(yù)測模型了

第二步：搭建回歸響應(yīng)模型

uplift需要針對策略組和對照組分別搭建響應(yīng)模型，最后目標(biāo)用戶分別輸入雙模型后，計(jì)算uplift分值

借助分析挖掘工具，我們搭建以上數(shù)據(jù)流，用戶計(jì)算在干預(yù)和未干預(yù)情況下響應(yīng)率

首先來看下模型的預(yù)測精準(zhǔn)度

建模數(shù)據(jù)70%用于培訓(xùn)，30%用于測試，培訓(xùn)集預(yù)測正確率79.53%，AUC達(dá)到了0.848；測試集預(yù)測正確率69.7%，AUC值0.744；模型預(yù)測性能可以接受

第三步：如何精準(zhǔn)發(fā)券

uplift響應(yīng)模型可以幫我們生成幾類預(yù)測圖，分別是響應(yīng)圖、增益圖和利潤圖，我們可以基于這幾類圖指導(dǎo)券的營銷動作

1）基于響應(yīng)圖結(jié)果精選用戶發(fā)券

響應(yīng)圖顯示了在不同百分位的用戶中，實(shí)際響應(yīng)（如優(yōu)惠券使用）的比例。在發(fā)券活動中，響應(yīng)圖可以展示在每個(gè)百分位用戶群體中，有多少比例的用戶實(shí)際使用了優(yōu)惠券。

根據(jù)以上累積響應(yīng)圖，我們可以看到曲線從接近100%開始逐漸下降，最終趨向于50%的水平線。這表明在圖表的左側(cè)，模型預(yù)測的響應(yīng)率非常高，隨著向右移動（即覆蓋更多的用戶），響應(yīng)率逐漸降低。為了確定向前多少的用戶發(fā)放優(yōu)惠券，需要考慮幾個(gè)因素：

1. 整體響應(yīng)率：這是所有用戶中響應(yīng)優(yōu)惠券的平均比例。在響應(yīng)圖中，這個(gè)值似乎是50%。
2. 目標(biāo)響應(yīng)率：您希望通過發(fā)放優(yōu)惠券達(dá)到的最低響應(yīng)率。這通常高于整體響應(yīng)率。
3. 成本與收益：發(fā)放優(yōu)惠券的成本和預(yù)期收益。我們需要找到一個(gè)平衡點(diǎn)，使得收益最大化，同時(shí)成本保持在可接受范圍內(nèi)。在累積響應(yīng)圖上，可以找到一個(gè)點(diǎn)，該點(diǎn)的響應(yīng)率符合我們的目標(biāo)響應(yīng)率。從圖表左側(cè)開始，沿著曲線向右移動，直到找到一個(gè)點(diǎn)，其響應(yīng)率等于或略高于我們的目標(biāo)響應(yīng)率。該點(diǎn)對應(yīng)的百分位數(shù)就是您需要向前多少的用戶發(fā)放優(yōu)惠券。例如，如果我們的目標(biāo)響應(yīng)率是70%，我們需要在曲線上找到響應(yīng)率為70%的點(diǎn)。假設(shè)這個(gè)點(diǎn)對應(yīng)的百分位數(shù)是20%，這意味著我們應(yīng)該向前20%的用戶發(fā)放優(yōu)惠券。

2）基于增益圖發(fā)券

增益圖展示了模型預(yù)測的響應(yīng)與隨機(jī)選擇相比的相對增益。在優(yōu)惠券活動中，增益圖可以指示在特定百分位的用戶中，優(yōu)惠券帶來的額外銷售增長。

圖中，增益值為1.5914，這通常表示模型預(yù)測的效果比隨機(jī)選擇好1.5914倍。具體來說，如果隨機(jī)選擇的響應(yīng)率是某個(gè)固定值，那么使用模型預(yù)測后的響應(yīng)率是這個(gè)固定值的1.5914倍。這個(gè)增益值通常用于評估預(yù)測模型在特定百分位上的性能，特別是在營銷活動中，用來確定哪些客戶群體最有可能對促銷活動做出響應(yīng)。在實(shí)際應(yīng)用中，如果增益值大于1，這意味著模型的預(yù)測能力優(yōu)于隨機(jī)選擇。在增益圖中，百分位46處的增益值1.5914表明，在模型預(yù)測為最有可能響應(yīng)的前46%的用戶中，響應(yīng)率是隨機(jī)選擇用戶響應(yīng)率的1.5914倍，這是一個(gè)相對較高的提升，表明模型在這個(gè)百分位上的預(yù)測是有效的。

3）基于利潤圖發(fā)券

利潤圖表示在不同百分位的用戶中，通過使用優(yōu)惠券所獲得的總利潤。對于發(fā)券活動，利潤圖可以幫助我們評估在不同用戶群體中發(fā)放優(yōu)惠券的總體財(cái)務(wù)效益。

設(shè)置參數(shù)圖如下：

• 成本 (Cost)：每張優(yōu)惠券的發(fā)放成本是5元。
• 收入 (Revenue)：每次成功響應(yīng)（客戶使用優(yōu)惠券）的收入是10元。
• 寬度 (Width)：寬度設(shè)置為1%，意味著利潤圖上的每個(gè)數(shù)據(jù)點(diǎn)代表了1%的用戶群體。

這提供了一個(gè)細(xì)粒度的視圖，可以看到每增加1%的用戶，利潤是如何變化的。百分位46%，利潤630：在圖中，當(dāng)目標(biāo)用戶群體的百分位達(dá)到46%時(shí)，累積利潤達(dá)到630元。這表示如果按模型預(yù)測的順序，向前46%最有可能響應(yīng)的用戶發(fā)放優(yōu)惠券，那么預(yù)期的總利潤將是630元。