마케팅 및 설명 가능성에 인과 추천 기술 적용

1. Uplift 이득 민감도 예측

Uplift 이득과 관련하여 일반적인 비즈니스 문제는 정의된 사람들 그룹 중에서 마케팅 담당자가 새로운 마케팅 활동과 비교하여 알고 싶어할 것으로 요약될 수 있습니다. 1 원래 마케팅 활동 T=0, 얼마나 많은 평균 수익을 가져올 수 있습니까(리프트, ATE, 평균 치료 효과). 새로운 마케팅 활동이 원래 마케팅 활동보다 더 효과적인지 모두가 관심을 가질 것입니다.

보험 시나리오에서 마케팅 활동은 주로 보험 추천을 의미하며, 추천 모듈에 공개된 카피라이팅, 상품 등 다양한 마케팅 활동과 제약 조건 하에서 마케팅 활동의 결과를 찾는 것이 목표입니다. 가장 많은 것을 얻은 그룹이 Audience Targeting을 해야 합니다.

먼저 더 이상적이고 완벽한 가정을 해보세요. 각 사용자 i에 대해 그가 마케팅 활동 t를 구매하는지 여부를 알 수 있습니다. 당신이 그것을 사면 공식에서 Di는 긍정적이고 가치는 상대적으로 크다고 생각할 수 있습니다. 당신이 그것을 사지 않고 마케팅 활동에 혐오감을 느낀다면 Di는 상대적으로 작거나 심지어 부정적일 수 있습니다. 이를 통해 사용자 개개인의 개별적인 시술에 따른 효과를 얻을 수 있습니다.

군중 분할과 관련하여 위 그림에서 4개의 마케팅 사분면을 볼 수 있습니다. 우리가 가장 우려하는 것은 확실히 왼쪽 상단에 있는 설득력 있는 군중입니다. 공식과 결합하면 이 그룹의 특징은 일부 마케팅 활동이 있을 때 매우 많이 구매한다는 것입니다. 즉, Yi > 0이며 가치가 상대적으로 큽니다. 이 그룹의 사람들에 대해 아무런 마케팅 조치도 취하지 않으면 음수이거나 0과 같이 상대적으로 작을 것입니다. 그러한 그룹의 사람들의 Di는 상대적으로 클 것입니다.

다른 두 사분면에 있는 사람들을 보세요. 물론입니다. 즉, 이 사람들은 마케팅 여부에 관계없이 구매할 것이므로 이 그룹의 마케팅 투자 수익률은 상대적으로 낮습니다. 잠자는 개는 마케팅을 하면 부정적인 영향을 미칠 수 있다는 것을 의미합니다. 이 두 그룹에 대해서는 마케팅을 하지 않는 것이 가장 좋습니다.

그러나 여기에는 반사실적 딜레마도 있습니다. Di는 그다지 완벽하지 않습니다. 사용자가 동시에 치료에 관심이 있는지 여부를 아는 것은 불가능합니다. 즉, 동일한 사용자가 다른 치료에 대한 반응을 동시에 알 수 없습니다.

가장 인기 있는 예는 다음과 같습니다. A가 약을 복용한 후 약에 대한 A의 반응을 얻을 수 있습니다. 그러나 A가 이미 약을 복용했기 때문에 약을 복용하지 않는다면 이것이 실제로는 반사실적 존재라는 사실을 그들은 알지 못합니다.

반사실에 대해서는 대략적인 추정을 했습니다. ITE(Individual Treatment Effect) 추정 방법에서는 두 가지 치료에 대한 반응을 실험할 사용자를 찾을 수 없지만 동일한 특성을 가진 사용자 그룹을 찾아 반응을 추정할 수 있습니다. Xi는 동일한 특징 공간에서 대략 사람과 동일하다고 가정할 수 있습니다.

이러한 방식으로 Di의 추정치는 세 부분으로 나뉩니다. (1)T의 마케팅 활동에 따른 Xi의 전환율 (2)T에서의 Xi의 전환율; =0 마케팅 활동에 따른 전환율 (3)lift는 두 조건부 확률의 차이를 계산하는 차이 값입니다. 사용자 그룹의 리프트 값이 높을수록 해당 그룹의 사람들이 해당 그룹을 구매할 의향이 더 높다는 것을 의미합니다. 리프트를 더 높게 만드는 방법은 무엇입니까? 공식에서 T=1의 마케팅 활동 하에서 Xi의 전환율은 증가하고, T=0의 마케팅 활동 하에서 Xi의 전환율은 더 작습니다.

모델링 방법 측면에서 위의 공식과 결합하여 다음과 같이 일반화합니다.

(1) 마케팅 활동이 하나가 아니라 n개의 마케팅이 있는 경우 T 변수의 수 actions Action이면 다변수 Uplift로 모델링되고, 그렇지 않으면 단변수 Uplift로 모델링됩니다.

(2) 조건부 확률 P 추정 및 리프트 : ① 미분모형을 통해 P값을 추정한 후 간접모형인 리프트값을 구한다. ② 라벨 변환 모델과 같은 직접 모델링이나 Tree base, LR, GBDT 또는 일부 심층 모델과 같은 인과 포리스트를 통해.

2. 게인 감도 적용

게인 감도는 주로 보험 상품 추천, 빨간 봉투 추천, 카피 라이팅 추천 세 가지 측면에서 사용됩니다.

먼저 Fliggy에서의 여행보험 포지셔닝을 소개하겠습니다. 여행보험은 여행상품의 한 카테고리이지만, 주요 상품과의 연계 연계로 더 자주 등장합니다. 예를 들어 항공권과 호텔을 예약할 때 주요 구매 의도는 호텔, 항공권, 기차표입니다. 이때 앱에서는 보험 구매 여부를 묻습니다. 따라서 보험은 부수적인 사업이었지만 이제는 운송·숙박산업에 있어서 매우 중요한 상업수입원이 되었습니다.

이 기사의 주요 범위는 팝업 페이지입니다. 팝업 페이지는 Fliggy 앱에서 계산원을 아래로 내리면 팝업되는 페이지입니다. 이 페이지에는 한 가지 유형의 광고만 표시됩니다. 카피라이팅이며, 한 종류의 크리에이티브 카피만 표시됩니다. 보험 상품은 여러 종류의 상품과 보험 가격을 표시할 수 있는 이전 상세 페이지와 다릅니다. 따라서 이 페이지는 사용자의 관심을 여기에 충분히 집중시킬 것이며 사용자 교육 및 훈련을 위한 몇 가지 새로운 프로모션과 심지어 일부 마케팅 활동도 수행할 수 있습니다.

현재 비즈니스 문제는 팝업 페이지에서 전체 전환이나 수익을 극대화하기 위해 최고의 보험 상품이나 빨간 봉투를 추천해야 한다는 것입니다. 보다 구체적으로는 신규 고객 유치 또는 더 높은 전환율 달성이라는 비즈니스 목표를 달성하는 것입니다. 비즈니스 수익 목표는 수익을 줄이지 않고 전환율을 높이는 것입니다.

위의 제약 조건에 따라 몇 가지 마케팅 항목이 있습니다. (1) 사용자에게 보급형 저가 보험을 추천합니다. (2) 주로 신규 고객 유치를 위해 일부 빨간 봉투를 추천합니다. . 그리고 Base는 원래 가격의 보험입니다.

모델링할 때 조건부 독립 가정이라는 몇 가지 가정이 있습니다. 치료 마케팅 활동을 의미합니다. 향상 수집을 모델링할 때 샘플은 독립성 가정을 따르며 사용자의 다양한 특성은 서로 독립적입니다. 예를 들어, 빨간 봉투는 연령에 따라 다르게 배포될 수 없습니다. 예를 들어, 젊은이들에게는 덜 배포되어야 하고 노인들에게는 더 많이 배포되어야 합니다. 이로 인해 표본이 편향될 수 있습니다. 따라서 제안된 솔루션은 사용자가 무작위로 제품을 노출하도록 하는 것입니다. 마찬가지로, 성향 점수를 계산하여 비교를 위한 동질적인 사용자 그룹을 얻을 수도 있습니다.

실험 설계 에서 AB 실험: A는 원래 전략에 따라 배치됩니다. 이는 보험 40위안일 수도 있고 운영별 보험 가격 또는 원래 가격이 될 수도 있습니다. 모델. 배럴 B, 저가형 보험 배치.

라벨: 사용자가 거래를 전환했는지 또는 완료했는지 여부.

모델: T/S/X-learner 및 다양한 메타 모델.

샘플 구조: 사용자가 이러한 종류의 저가 보험에 더 관심이 있는지를 특성화하는 것이 매력이며, 가격에 대한 사용자의 민감성을 특성화할 수 있는 충분한 기능이 필요합니다. 하지만 사실 보조제품처럼 상대적으로 강한 의도는 없습니다. 따라서 사용자의 검색 기록과 구매 기록만으로는 사용자가 얼마나 보험을 좋아하는지, 얼마나 많은 보험을 구매할 것인지 파악하기 어렵습니다. 우리는 사용자가 검색한 주요 비즈니스 또는 기타 Fliggy 앱의 도메인 내의 데이터만 볼 수 있습니다. 또한 사용자의 빨간 봉투 사용 빈도와 빨간 봉투 소비 비율도 살펴볼 것입니다. 처음 며칠 안에 빨간 봉투를 보내셨나요? 그제서야 Fliggy에 변화가 생겼습니다.

위의 기능 샘플 구성을 바탕으로 기능 중요도와 해석 가능성도 분석합니다. Tree 기반 모델을 보면 시간, 가격 변수, 연령 변수 등 일부 특성에 상대적으로 민감하다는 것을 알 수 있습니다.

평가지표 계산방법 : 지니(Gini)와 누적지니(Accumulated Gini). Uplift를 n개의 그룹으로 나누고, 위 그림의 첫 번째 공식과 같이 각 그룹의 Gini 점수를 계산합니다. 이 그룹에서 사용자를 테스트 버킷에 매핑하고 기본 버킷을 얻은 후의 전환율을 계산합니다. 그런 다음 지니가 계산됩니다. Uplift Gini와 유사하게 다양한 기준점에서 소득 포인트를 계산함으로써 기준점을 결정하는 데 도움이 됩니다.

오프라인에서 사용 가능하며 최고의 성능을 발휘하는 모델은 LR+T-Learner인데 실제로는 원래 기대에 미치지 못합니다. 이 문제에 대해 생각해보면 문제는 사용자의 보험 관련 가격 특성 구성에 있을 수 있는데, 이는 설명하기에 충분하지 않습니다. 사용자의 성격, 보험에 대한 민감도 등 일부 사용자 조사도 수행했기 때문에 APP 도메인의 일부 사용자 초상화 데이터는 비물리적 제품에 대한 사용자의 관심을 보여줄 수 있습니다. 하지만 결국 이 점수를 기반으로 배포 그룹을 구분했고, 온라인 기본 버킷이 5.8% 증가했습니다.

빨간 봉투 추천에서는 40위안 보험 기준으로 3/5/8/10위안 보험도 발급 가능합니다.

공식 정의는 테스트 버킷의 GMV에서 기본 버킷의 GMV를 뺀 비즈니스 목표가 있습니다. 마케팅 비용. 증분 ROI가 1보다 크면 마케팅에 손실이 발생하지 않는다는 의미입니다. 따라서 이 시나리오에서 우리의 요구 사항은 돈을 잃지 않는 것입니다. Uplift 모델을 사용하기 전에 운영 학생들은 먼저 시드 그룹 중 ROI가 0.12-0.6이므로 비용 손실 없이 이보다 더 높은 ROI를 갖는 것입니다.

위의 목표를 해체함으로써 문제는 결국 위 그림 아래 수식과 같이 사용자의 전환율 추정과 Uplift 추정으로 변환됩니다.

드디어 일련의 변경을 거쳐 실제로 Uplift 가치와 비구매 확률 해결로 돌아왔습니다. 미구매 확률은 쿠폰이 발행되지 않았을 때의 사용자 전환율을 의미합니다. 방금 언급한 ROI를 높게 만들고 싶다면 P0가 작을수록 좋고, 높을수록 좋은 사용자 그룹을 찾아야 한다는 의미입니다. 향상 값은 높을수록 좋습니다.

모델의 첫 번째 버전은 반지능적 의사 결정 모델입니다. 다양한 쿠폰 금액에 따라 계산된 향상 값을 기반으로 한 다음 온라인에 접속한 후 치료 효과를 관찰하여 임계값은 다음과 같습니다. 각 설정된 임계값은 비용을 감당할 수 있는 기준입니다.

두 번째 버전은 지능형 가격 모델입니다. 이는 이중 문제의 솔루션을 활용합니다. 제약 조건은 쿠폰 발행이 1보다 작거나 같아야 한다는 것, 즉 예산입니다. . 람다는 라그랑지안 쌍대 문제 방법을 사용하여 이를 풀어서 구해진다. 마지막으로 Lambda를 argmax 공식에 가져와 계산하고 각 사용자의 Xij 값을 얻을 수 있습니다.

원래 운영 버킷의 빨간 봉투 배송과 비교한 가격 책정 모델을 사용하면 증분 ROI가 1.2에 도달할 수 있습니다.

카피라이팅의 추천은 이전의 상품 추천, 빨간 봉투 추천과 비슷한 생각을 가지고 있습니다. 우리는 일부 사용자가 다양한 카피라이팅 스타일에 대해 서로 다른 선호도를 가지고 있다는 것을 알게 될 것이므로 따뜻한 "안전 보장" 또는 위험에 대한 일부 경고와 같이 구성할 것입니다. 또한, 서로 다른 세분화된 집단 간에는 비교적 크고 분명한 차이가 있음을 알 수 있을 것이다. 특징 중요성의 관점에서 볼 때, 1980년대 출생자나 일부 노년층에게는 따뜻한 문장이 효과적일 수 있는 반면, 이성에 기반한 카피라이팅은 효과적일 수 있음을 알 수 있다. 더 효과적입니다. 젊은 사람들에게 더 적합할 것입니다. 세분화된 그룹 특성의 중요성과 동시에 카피라이팅을 개인화하려는 노력 측면에서 상대적으로 5%~10%의 향상이 있습니다.

3. 베이지안 인과망

베이지안 인과망 은 주로 거래 간의 인과관계와 방향성 5링 그래프의 구조를 나타냅니다. 먼저 베이지안 네트워크를 사용하는 이유를 간략하게 소개하겠습니다. 다양한 추천 카피라이팅 중에서 사용자가 카피라이팅에 관심을 갖는 이유, 전환이 가능한 이유, 그리고 그 이면에 숨은 변수는 무엇인지 알고 싶습니다. 따라서 해석 가능한 네트워크를 구성할 때 꼭지점은 주로 관찰 변수 또는 암시적 변수이며, 가장자리는 두 꼭지점 사이의 인과 관계를 나타내며 노드 간의 조건부 확률을 통해 관계를 계산할 수 있습니다. 베이지안 네트워크에서는 모든 부모 노드의 조건에서 각 정점의 확률값을 곱하여 최종 네트워크 구조를 얻는다.

네트워크 구조에는 4가지 유형의 모델 학습 문제가 있습니다.

① 구조적 학습: 샘플을 기반으로 더 나은 베이지안 네트워크를 학습하는 방법, 주로 사후 테스트를 기반으로, 위 수식에서 볼 수 있듯이 구조의 확률 값이 높을수록 네트워크가 최적이라고 간주됩니다.

② 구조를 얻은 후 네트워크에 있는 노드의 조건부 확률 값과 해당 매개변수를 아는 방법입니다.

3 추론: 사건 A가 발생하면 사건 B가 발생할 확률입니다.

4 속성: 사건 A가 발생했을 때, 그 사건이 발생한 이유는 무엇입니까?

4. 인물 결정 경로 구축 및 설명 가능성 적용

위에서 언급했듯이 보험 추천 시나리오는 검색 추천과 다르며 사용자가 주관적이지 않습니다. 이 모듈에 오기 전에는 그의 APP 도메인 검색 기록이 사용자가 어떤 종류의 보험이나 카피라이팅에 관심이 있는지와 동질적인 상관관계가 없습니다. 검색에서 부모-자식 호텔을 입력하면 사용자는 부모-자식 라벨이 있는 호텔에 대한 수요가 있음을 알 수 있습니다. 보조캠프 시나리오에서는 어떤 치료 조치가 효과적인지 알기 위해서는 복잡한 추론 과정이 필요하다. 예를 들어, 네트워크 마이닝을 통해 날씨가 나쁠 때 지연된 보험 판매가 더 좋아진다는 것을 알 수 있습니다.

네트워크의 노드와 에지를 다음과 같은 유형으로 모델링하고 구성하는 방법:

① 사용자 노드 , 사용자의 연령 및 성별 기본 초상화의 정보는 이산변수로서 노드가 된다.

② 이벤트 노드 , 보험 시나리오는 날씨나 축제 등 다른 많은 상품 추천보다 이벤트에 더 민감하기 때문에 사용자는 지연 보험에 관심이 있거나 일부 특정 재산 보험이 더 중요할 수 있습니다. 예민한.

3 창의적인 노드 따뜻한 안내 카피 라이팅, 역동적인 디지털 카피 라이팅 등 다양한 효과를 발휘합니다.

위의 세 가지 주요 유형의 노드를 기반으로 조건부 확률 계산을 수행하여 그래프 구성을 완료합니다.

방금 언급한 사용자들은 장면과 사건에 대한 이해와 창의적인 이해를 구축했습니다. 마지막으로 모든 노드 유형은 위 그림과 같은 구조로 통합됩니다.

노드를 얻은 후 구조 학습을 수행하고 Hockman 채점 기능 + 등급 검색을 사용합니다. 이 과정에는 주로 데이터와 네트워크 구조가 주어진 후 네트워크의 사후 확률 값을 계산하고 네트워크가 효과적인지 평가하는 과정이 포함됩니다.

Hockman 채점 함수를 수행할 때 이산형 또는 연속형의 여러 변수가 있을 수 있습니다. 구성되면 후속 해석 및 모델링을 용이하게 하는 이산형 변수가 됩니다. 각 변수가 Dirichlet 분포를 따른다고 가정하고 이를 표본에 적용하여 사후를 업데이트한 후 각 노드의 사후 값을 계산하고 노드 간 확률을 곱하여 구조의 점수를 얻습니다. 비교적 일반적입니다. 관심이 있으시면 나중에 이 방법에 대해 자세히 알아볼 수 있습니다. 네트워크 구조가 상대적으로 복잡하기 때문에 전체 네트워크에서 그리디 검색(Greedy Search) 방법을 사용합니다. 매개변수 추정은 비교적 간단하며 노드의 조건부 확률 테이블은 샘플을 기반으로 업데이트됩니다.

구조 및 매개변수 업데이트를 기반으로 하는 해석 가능한 애플리케이션은 두 부분을 수행할 수 있습니다.

① 다양한 유형의 증거를 기반으로 사용자가 어떤 종류의 결정을 내릴 수 있는지 추론합니다. 위에서 언급한 예. 가능성 가중치 또는 Loopy Belief Propagation을 사용할 수 있으며 이는 보다 일반적인 방법 중 일부입니다.

② 위 사진에 보이는 것은 건강보험입니다. 예를 들어 상해보험이 갑자기 잘 팔리는 이유를 알고 싶습니다. 소비력이 상대적으로 높거나, 사용자가 초보자이고 비행 경험이 거의 없거나, 사용자의 목적지가 정체기 속성을 갖고 있어 두려움 때문에 구매로 이어지기 때문입니다.

마지막으로 요약하면, 인과 추론은 보험 상품 추천, 빨간 봉투, 카피라이팅 마케팅의 군중 및 추천 전략에서 큰 역할을 합니다. 동시에 베이지안 인과 다이어그램 및 시각적 설명의 구성과 결합되어 비즈니스에 보다 의미 있는 결정을 제공할 수 있으며, 이를 통해 지속적으로 전략이나 카피라이팅을 업데이트하거나 방향을 변경할 수 있습니다. 베이지안 인과 다이어그램은 또한 기능 선택에 대한 새로운 아이디어를 제공합니다.

5. 질의응답 세션

Q1: Fliggy Insurance Marketing에서 채택한 Uplift 모델이 구현 후 검증되었나요? 인과 추론 모델을 도입하기 전에 Feishu Insurance는 어떤 기술을 마케팅에 사용했습니까? 제한 사항은 무엇입니까? 이 인과 추론 모델을 가져온 후 가장 눈에 띄게 개선된 점은 무엇입니까?

A1: ① 온라인 AB에서 효과가 향상되었기 때문에 검증이 있습니다.

② 예를 들어 인과 모델을 가져오기 전에 빨간 봉투 시나리오의 초기 전략은 전환율 추정입니다. 원래 전환되지 않을 사용자 그룹을 예측하고, 이들에 대한 마케팅 운영을 수행할 수 있다면 마케팅 비용을 확실히 통제할 수 있습니다.

3 제한 사항, 사용자의 전환율이 높지 않을 수 있습니다. 즉, 빨간 봉투를 줘도 전환되지 않습니다. 이것이 우리가 이전에 겪었던 몇 가지 문제입니다.

4 인과 모델 추론을 가져온 후 가장 눈에 띄는 개선점은 사용자 유연성입니다. 인과 추론 기술을 사용하면 사용자에 대한 더 명확한 이해와 사용자 그룹 시드에 대한 더 명확한 판단을 할 수 있습니다.

Q2: 인과 추론 모델의 기능을 선택하는 방법은 무엇입니까? 시나리오에서 가장 중요한 기능은 무엇입니까?

A2: 첫 번째 단계에서 많은 수의 기능을 선택하면 효과가 그다지 좋지 않을 수 있습니다. 초기 선택에서는 단일 변수를 사용하여 변수와 게인 사이에 특히 강한 상관 관계가 있는지 확인한 후 입력합니다. 물론 나중에 트리 모델에서 기능이 점수화되고 필터링되는 것을 볼 수 있으며 이는 판단의 기초가 됩니다.

Q3: 미분 모형화 중에 데이터에 선택 편향이 나타납니까? T-Learner는 이런 문제를 해결할 수 없나요? 평가할 때 AUUC를 사용하지 않는 이유는 무엇입니까? 베이지안 인과 네트워크의 잠재 변수는 무엇입니까?

A3: ① 미분 모델링으로 인해 오류가 누적됩니다.

② T-learner는 주로 오프라인 평가를 통과합니다. 당시 우리는 이 문제에 대해 상당히 혼란스러웠습니다. 요약하자면, 이득을 직접적으로 특징짓는 그다지 강력한 특징이 없었기 때문일 수도 있다고 느꼈습니다. 따라서 일부 기존 모델에서 나중에 얻은 결과는 그리 나쁘지 않습니다. 이는 단지 복잡한 모델과 간단한 모델에 대한 평가일 뿐입니다.

3 AUUC 사실 저희도 사용하고 있지만 사실 크게 다르지는 않아요.

4 관찰변수는 데이터에서 관찰 가능한 변수를 의미할 수 있고, 은닉변수는 관찰된 데이터에 대해 설명할 수 있는 숨겨진 변수를 의미합니다. 예를 들어, 성격은 물론 인터넷에서 사용되지 않았습니다.

Q4: 실제로 일치 방법과 회귀 방법을 사용해 본 적이 있나요? 그렇다면 효과는 무엇입니까?

A4: 아직 시도해보지 않았습니다.

Q5: 이후의 탐험은 어떤 방향으로 진행될 예정인가요? 예를 들어 현재 보험 추천 방향을 탐색하고 있습니다.

A5: 작년에는 인과 추론이 우리의 과제 중 하나였습니다. 올해는 주로 창의적인 카피라이팅 추천에 관한 것입니다.

위 내용은 마케팅 및 설명 가능성에 인과 추천 기술 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!