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。
广告 | 自然 | uplift值 | |
用户A | 1% | 0.5% | 0.5% |
用户B | 2% | 1.8% | 0.2% |
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!

评论