使用uplift模型来得到更好的个性化营销结果（1）

本文主要是介绍使用uplift模型来得到更好的个性化营销结果（1），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”

作者：Abhay Pawar

编译：ronghuaiyang

导读

看看如何用机器学习的方法来做营销。

最近，Facebook一直在给我看有关理疗诊所的广告，奇怪的是，我最近确实有下背疼痛的问题。这很可能是Facebook从我访问过的页面中发现的。这可以说是定向营销的最佳实例之一，它为使用这些平台的企业开辟了许多新的途径。

Facebook最近成为了企业营销的新武器。传统的营销方式，公司已经使用了很长一段时间，就是那些直接对客户(D2C)的渠道，即电子邮件，电话和短信。类似Facebook的广告平台和D2C渠道之间有一个根本的区别。Facebook主要用于建立品牌和获取新客户，这些客户是基于Facebook拥有的关于其用户的丰富的人口统计数据得到的。另一方面，D2C活动也被用于获取新客户，但由于缺乏关于潜在客户的信息，效果不是很好。但是，对于现有的客户，这些渠道就像摇滚明星一样。这些渠道在促销、交叉销售和为现有客户提供客户服务方面非常有效。最明显的原因是客户已经了解业务了，并且更有可能阅读邮件并对其采取一些行动。

D2C活动如何运作？

小型企业通常向所有客户发送促销邮件/短信，并向他们从其他渠道获得的新电子邮件id /电话号码发送信息。没有太多的想法投入其中，很大程度上是因为数量很少，而且活动的成本不是很高。但是，对于大型企业来说，事情就变得复杂了。

让我们以我工作过的一家银行为例。这家银行拥有1000多万活跃客户和20多种产品。他们为这些产品进行交叉销售的D2C活动。除此之外，他们还开展了与服务激活相关的活动(如电子对账单激活、网上银行激活)、与特定产品相关的促销活动(如信用卡返现)以及许多其他活动。对每一个活动都发送给所有的1000多万客户是没有意义的，在这一点上，已经很清楚了。这就是选择目标群体的艺术所在。幸运的是，在选择目标群体时，银行总是处于有利地位，因为它们有大量关于客户的信息。现在，让我们选择一个借记卡激活活动作为我们的例子。银行想要增加它的借记卡使用率，因为它比其他交易渠道如ATM便宜。活动经理选择目标群体有两种方式：

启发式方法: 在这种方法中，活动经理根据自己的经验来选择目标群体。在我们的借记卡激活示例中，活动经理可能会寻找那些年轻的、居住在城市地区的、帐户余额良好并使用ATM的客户。这样的目标选择在某种程度上工作得很好，因为它选择了活动经理已经知道了将会在借记卡上激活的客户是哪些。但是，这种方法最大的问题是它不是数据驱动的，并且可能会遗漏其他很可能会激活借记卡的客户。
倾向性模型方法: 公司已经开始转向基于倾向模型的方法，主要是因为它们是数据驱动的，在选择目标基础时不需要太多的人为干预。倾向模型告诉你，基于客户档案，一个客户的有行动打算的倾向。在我们的例子中，就是激活借记卡。它们是通过过去的数据，使用标准分类算法构建的。因变量是客户是否激活借记卡，自变量是数据，如客户人口统计，交易模式，产品持有情况等。

假设我们有一个倾向性模型，但如何选择目标群体呢？在此之前，我们需要了解如何衡量D2C活动的绩效。

活动表现

衡量活动表现最广泛使用的方法是Lift。选择一个目标群体后，随机分为两个相似的群体，分布为70%：30%。较大的一组(70%)称为试验样本，另一组称为对照样本。顾名思义，试验样本发送电子邮件/短信，而对照组不发送任何电子邮件/短信。然后，我们给试验过的客户一些时间(通常3-4周)来采取预期的行动，然后比较两组在激活率方面的表现。让我们假设一些数字：

试验组的激活率:14%

对照组的激活率:12%

Lift是两组的响应率之差，即14%-12% = 2%。

对照组响应率告诉你在不考虑该活动的情况下，有多少客户会被激活，而试验组激活率告诉你由于该活动，有多少额外的客户(即Lift：2%)被激活。Lift越高，活动越好，ROI也会越高。

现在我们知道了lift是什么，让我们回到目标组的选择。一旦我们了解了客户的倾向，选择目标群体就更像是一种试错活动。通常可以观察到，具有高倾向性的客户也会在活动中带来更高的提升。当活动的渗透率很低的情况下，这通常是正确的。因此，基于这些信息，活动经理通常选择目标群体中的高倾向客户。尽管，这可能并不总是正确的！

在相邻的点中，客户的激活倾向分数映射在x轴上，对应客户的激活率映射在y轴上。激活率定义为使用借记卡的客户的百分比。请记住，这些数据是基于过去的数据，而不是基于任何活动的数据。激活率只是告诉你这些客户中使用借记卡的百分比。可以清楚地看到，倾向分数越高的客户，借记卡使用率越高。在这些高倾向评分桶中，但没有激活的客户，就是需要选择的目标组。

什么是uplift模型？

至此，你已经对如何运行D2C活动以及如何度量性能/ROI有了很好的了解。使用倾向模型使选择目标群体的过程自动化，易于管理。但是，在我们使用倾向模型选择目标群体的方式和我们衡量活动表现的方式上，存在着一个非常基本的脱节。模型只是告诉你客户使用产品或激活服务的倾向，而不管活动是什么。它不会告诉你当客户被营销时lift的信息。然而，我们在活动中所关心的是最后的lift。我们希望客户的激活率从10%到30%，而不是从90%到92%。uplift模型帮助我们预测每个客户的lift，使我们能够只针对高lift的客户。

根据客户采取的行动，可以将它们分为4组。四组如上图所示。我们感兴趣的是找出属于第一类的客户：可说服的客户。如果我们只针对这些客户，那么该活动将提供高的lift，因为如果没有活动的话，他们也不会采取任何行动(低激活率的对照组和高激活率的试验组)。第二组：确定的事情，是无论如何都会被激活的客户，因此应该被排除在活动之外。显然，第三组和第四组也不应该成为目标。因此，要得到目标组1，而忽略所有其他组。

问题是，倾向模型是否能帮助我们找到这些群体。答案是否定的。高倾向的顾客大多属于第一组和第二组，但仅使用倾向模型，我们无法准确判断他们究竟属于哪一组。

这就是lift模型的神奇之处！它可以将客户分成这4个组，并帮助你做一个ROI的活动。与使用倾向模型所做的仅仅使用与客户相关的数据不同，lift模型还使用以前的活动的数据来预测未来活动中每个客户的lift。