1. uplift模型

一般营销活动效果分析都用Response model，但是比起uplift模型，它只是在探究营销活动干预与用户转化的相关关系(correlation)，比如某次的广告曝光，用户A的转化概率为1%，用户B的转化概率为2%，那么你会选择哪个用户受这次广告曝光的影响更大？一般会回答用户B，但是我们忽略了一组数据，就是在自然转化情况下，用户A自然转化概率为0.5%，用户B的自然转化概率为1.8%。那么用户A的uplift值为0.5%，用户B的uplift值为0.2。说明真正归因到这次广告带来的效果上，对用户A的转化影响更大。

那么从这个案例可以知道Response model探究事件干预与转化效果的是相关关系，而uplift model探究因果关系。uplift model 能直观的知道哪个用户最有可能受事件干预(这里主要指营销活动)影响，最终可通过向这类用户制定营销方案，以保证在活动预算有限的情况下，提升整体的用户转化效果。因此，uplift model可以找到那些更容易被营销推广活动驱动他们偏好响应的用户，也就是“营销敏感”用户，从而提升活动的反响、提升ROI、提升整体的市场响应率，促成营销效用最大化。uplift model的目标是避免推广预算花在这几类用户上面，最终将成本花在那些需要营销促进才会转化的用户。

（一）从购买者角度来看：

• 自然反应的用户(即不需要营销也会来的用户)；
• 决不会响应的用户(即营销了也不会来的用户)；

（二）从流失者的角度来说：

• 肯定的用户(即不需要营销也会流失的用户)；
• 因为进行了市场推广反而流失的用户(即营销会流失的用户)；

2. 用户营销敏感度预测，Python实现（代码在文章末尾）

uplift model的学术定义为用于估计某种干预对个体行为的因果效应。用户在有干预和没干预两种情况下的结果差的形式如下：

其中，Y表示用户转化结果，X为用户的相关特征，T表示干预事件，这里特别指为营销活动。(有干预为1，无干预为0 )。但是在个体观察数据中，我们不太能同时得到同一个用户在有干预和没有干预的数据。因此基于反事实推断。找到两个同质的群体，一组实施干预，一组作为控制组不实施。两组结果的差作为因果效应值。

因果推断建模对样本要求X与T相互独立。那么满足这一条件的最简单方式是A/B Test，因为随机实验要求分组的样本在特征上分布一致，这就满足了X与T相互独立。建模前为得到无偏的训练样本，先对一部分用户实施A/B Test。

营销增益评价指标：

这里提出IRR和NRR指标来评价最终营销增益的效果。

• IRR用来测量营销活动带来的购买率，接受营销活动的人群里有购买行为的比例减去未接受人群中有购买行为的比例。即为营销活动组(treatment)带来的购买率减去自然增长(control)的购买率。

• NRR测量由营销活动带来的盈利。这里10代表商品利润，0.15代表单笔营销成本。当NIR为负数时，说明该营销活动并未盈利，说明该营销方案不可取。

数据描述：

这里直接用A/B Test得到的数据举例，其中ID列为用户ID，Promotion列为是否接受营销，purchase为用户是否购买，V1-V7为用户特征变量。

首先，在所有用户中进行营销活动，结果发现IRR指标为0.96%，NRR为-1132.20。说明如果直接向所有用户推送营销活动，将要亏损1132。将此结果作为我们的baseline。

方法一：传统方法response model

继续阅读请移至公众h：DataGo数据狗