Uplift建模
Uplift建模(增益建模)是用户增长与营销优化方法论的核心环节,在随机分流与试验设计的数据基础上,识别”谁因为我们的干预而改变了行为”。
模型目标
预测用户对干预的边际反应,即计算:
- 增益效果 = 有干预时的转化概率 - 无干预时的转化概率
- 公式表示:uplift_score = P(Y=1|T=1, X) - P(Y=1|T=0, X)
主要建模方法
-
Two-Model方法
- 分别在实验组和对照组建立预测模型
- 计算两个模型预测结果的差值作为uplift分数
-
更高级的因果学习方法
- X-Learner:考虑实验组和对照组的异质性
- T-Learner:将处理效应建模为协变量的函数
- DragonNet:通过神经网络同时建模结果和干预概率
更多详情可参考因果建模方法总览。
衍生方法
-
规则挖掘法
- 在实验组寻找高响应规则
- 在对照组验证自然转化率
- 取二者差值大的规则作为筛选标准
-
结合其他特征分析
- RFM特征(Recency, Frequency, Monetary)
- 关联规则挖掘
- 行为序列分析
模型评估
模型输出
- 为每个用户计算uplift_score
- 正值表示干预有正向作用
- 负值表示干预可能造成反效果
- 数值大小代表干预强度
模型结果将用于Top-K排序与灰度精准投放环节,筛选最适合干预的用户群体。