数据分析 36 计（7）：营销增益模型 (Uplift Model) 识别营销敏感用户群，Python 实现

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）

......

本文在微信公众号是付费文章，设置付费是为了提高一点点门槛，让知识的质量更好。这也是促使作者写出更优质文章的一种方式，希望您看完能有所收获，感谢支持！