因果推薦技術(shù)在營(yíng)銷(xiāo)和可解釋性上的應用

主要包括以下四大部分內容：

1. Uplift 增益敏感性預測

2. 增益敏感度的應用

3. 貝葉斯因果網(wǎng)絡(luò )的介紹

4. 畫(huà)像決策路徑構建及可解釋性應用

01 Uplifit 增益敏感度預測

關(guān)于 Uplift 增益，通用的業(yè)務(wù)問(wèn)題可以總結為，在圈定的人群中，營(yíng)銷(xiāo)人員會(huì )想知道，新的營(yíng)銷(xiāo)動(dòng)作 T=1 相比較原始的營(yíng)銷(xiāo)動(dòng)作 T=0，能帶來(lái)多少的平均收益（lift，ATE，Average Treatment Effect）。大家會(huì )關(guān)注新的營(yíng)銷(xiāo)動(dòng)作是否比原來(lái)的更有效。

在保險場(chǎng)景下，營(yíng)銷(xiāo)動(dòng)作主要指的是保險的推薦，比如推薦模塊上透出的文案和產(chǎn)品，目標是在各種營(yíng)銷(xiāo)動(dòng)作和約束條件限制下，找到因營(yíng)銷(xiāo)動(dòng)作而增益最多的群體，去做定向投放（Audience Targeting）。

先做一個(gè)比較理想且完美的假設：對于每一個(gè)用戶(hù) i ，都能知道他對營(yíng)銷(xiāo)動(dòng)作 t 是不是買(mǎi)賬。如果買(mǎi)賬，可以認為公式中的 Di 為正，且 value 比較大；如果不買(mǎi)賬，且對營(yíng)銷(xiāo)動(dòng)作很反感，Di 可能就會(huì )比較小，甚至是負向的。這樣就能夠得到每個(gè)用戶(hù)個(gè)體對于 treatment 的效果。

關(guān)于人群劃分，可以看到上圖中的營(yíng)銷(xiāo)四象限，我們最關(guān)注的肯定是左上角 Persuadables 的人群。結合公式，該人群的特點(diǎn)是當有一些營(yíng)銷(xiāo)動(dòng)作的時(shí)候，會(huì )很買(mǎi)賬，也就是 Yi > 0 ，且值比較大。如果對該人群不去做營(yíng)銷(xiāo)動(dòng)作則是負的，或者是比較小，等于 0，這樣的人群的 Di 就比較大。

再看另外兩個(gè)象限的人，Sure things，指無(wú)論是否營(yíng)銷(xiāo)，這些人都會(huì )買(mǎi)，那么營(yíng)銷(xiāo)投到這一人群上的收益率是比較低的。Sleeping dogs，是指去做營(yíng)銷(xiāo)反而會(huì )起到一些負面作用。這兩部分群體最好不要進(jìn)行營(yíng)銷(xiāo)投放。

但是這里也存在一個(gè)反事實(shí)的困境：Di 沒(méi)有那么完美。我們不可能同時(shí)知道一個(gè)用戶(hù)對 treatment 是否感興趣，即無(wú)法知道同一用戶(hù)在同一時(shí)間對不同 treatment 下的反應。

最通俗的一個(gè)例子是：假設有一個(gè)藥物，給 A 吃了之后，會(huì )得到 A 對藥物的反應。但卻不知道，如果 A 不吃的結果，因為 A 已經(jīng)將藥吃下去了，這其實(shí)就是一個(gè)反事實(shí)的存在。

對于反事實(shí)，我們進(jìn)行了近似的預估。ITE（Individual Treatment Effect ）預估的方式，雖然找不到一個(gè)用戶(hù)，實(shí)驗其對兩個(gè) treatment 的反應，但可以找到相同特征的用戶(hù)群來(lái)預估反應，比如具有相同 Xi 的兩個(gè)人，可以假設在同一特征空間下，近似等同為一個(gè)人。

這樣，Di 的預估分成了三塊：（1）Xi 在 T=1 的營(yíng)銷(xiāo)動(dòng)作下的轉化率；（2）Xi 在 T=0 的營(yíng)銷(xiāo)動(dòng)作下的轉化率；（3）lift 是一個(gè)差值，計算兩個(gè)條件概率下的差異。用戶(hù)群體的 lift 值越高，則說(shuō)明該人群更買(mǎi)賬。如何讓 lift 更高呢？在公式中，是將 Xi 在 T=1 的營(yíng)銷(xiāo)動(dòng)作下的轉化率變大，Xi 在 T=0 的營(yíng)銷(xiāo)動(dòng)作下的轉化率越小即可。

在建模方式上，結合上文的公式，做一些歸納：

（1）T 變量的數量，如果不只是一個(gè)營(yíng)銷(xiāo)動(dòng)作，而是有 n 個(gè)營(yíng)銷(xiāo)動(dòng)作，則為多變量 Uplift 建模，否則是單變量 Uplift 建模。

（2）條件概率 P 以及 lift 的預估方式：① 通過(guò)差分建模，預估 P 值，然后找到 lift 值，這是間接的建模。② 通過(guò)直接建模，比如標簽轉化模型，或者是因果森林，比如 Tree base 、LR、 GBDT 或者一些深度模型。

02 增益敏感度的應用

增益敏感度主要做了三方面的應用：保險產(chǎn)品的推薦，紅包推薦，以及文案的推薦。

首先來(lái)介紹一下，旅游保險在飛豬上是什么樣的定位。旅游保險是旅行商品中的一個(gè)種類(lèi)，但它更多的是出現在主營(yíng)商品的搭售鏈路上。比如我們去訂機票、酒店的時(shí)候，主要購買(mǎi)意圖是：酒店、機票、火車(chē)票，這個(gè)時(shí)候 APP 會(huì )問(wèn)你要不要買(mǎi)一個(gè)保險。所以保險是屬于一個(gè)輔營(yíng)業(yè)務(wù)，但是其目前已經(jīng)成為交通和住宿行業(yè)一個(gè)非常重要的商業(yè)性收入來(lái)源。

本文講的主要作用域在彈窗頁(yè)：彈窗頁(yè)是飛豬 APP 下拉收銀臺的時(shí)候會(huì )彈出的一個(gè)頁(yè)面，這個(gè)頁(yè)面只會(huì )展示一種創(chuàng )意文案，只能展示一種保險商品，這一點(diǎn)與前面詳情頁(yè)可以展示多個(gè)類(lèi)型的商品，以及保險的價(jià)格不同。所以這個(gè)頁(yè)面，會(huì )讓用戶(hù)的注意力足夠的聚焦在這里，并且可以做一些拉新促活，甚至是一些用戶(hù)教育培養的營(yíng)銷(xiāo)動(dòng)作。

目前遇到的業(yè)務(wù)問(wèn)題為：在彈窗頁(yè)面，我們需要去推薦一個(gè)最佳的保險產(chǎn)品或者紅包，使得整體的轉化或者收益最大化。更具體的是去做一個(gè)拉新，或者是更高轉化的業(yè)務(wù)目標。而業(yè)務(wù)收益目標是在收益不降低的情況下，提高轉化率。

在以上的約束條件下，有幾個(gè)營(yíng)銷(xiāo)項：（1）給用戶(hù)推薦一個(gè)入門(mén)級低價(jià)保險；（2）另外一個(gè) treatment，推薦一些紅包，主要是去做一些拉新的操作。而 Base 就是原價(jià)的保險。

建模的時(shí)候，有一些假設的條件：條件獨立的假設。指 treatment 營(yíng)銷(xiāo)動(dòng)作，在建模 uplift 采集的時(shí)候，樣本服從假設條件獨立，用戶(hù)的各個(gè)特征是相互獨立的。比如發(fā)紅包，不能在年齡上有不同的分布，例如，在年輕人上少一點(diǎn)，老年人上發(fā)的多一點(diǎn)。這個(gè)會(huì )導致樣本有偏。所以提出的解法是讓用戶(hù)隨機地去曝光商品。同樣的，也可以計算傾向性得分，得到同質(zhì)的用戶(hù)群，去做對比。

在實(shí)驗設計上，AB 實(shí)驗：A 是按原來(lái)的策略去投放，可能是 40 塊錢(qián)的保險，也可能是運營(yíng)來(lái)進(jìn)行保險的定價(jià)，或者原始模型的一個(gè)定價(jià)。B 桶，低價(jià)保險投放。 

Label ：用戶(hù)是否轉化成交。

模型：T/S/X-learner 以及各類(lèi)的這種 Meta 模型。

樣本構造：訴求是要刻畫(huà)用戶(hù)到底對這種低價(jià)保險是否更感興趣，就需要有足夠多的特征去刻畫(huà)用戶(hù)對價(jià)格的敏感性。但實(shí)際上像輔營(yíng)產(chǎn)品，沒(méi)有一個(gè)比較強的意圖性。所以我們很難從用戶(hù)的歷史瀏覽購買(mǎi)記錄當中，看到用戶(hù)到底喜歡多少塊錢(qián)的保險，或者是他會(huì )購買(mǎi)多少錢(qián)的保險。我們只能從主營(yíng)或者用戶(hù)流瀏覽的一些其他的飛豬 APP 域內的數據上去看，也會(huì )看用戶(hù)紅包的使用頻率和紅包消費比例，比如用戶(hù)會(huì )不會(huì )只有在發(fā)紅包的前幾天，才在飛豬上進(jìn)行轉化。

基于以上的特征樣本的構造，同樣進(jìn)行特征重要性和可解釋性的分析。通過(guò) Tree base 模型可以看到，在一些時(shí)間、價(jià)格變量、年齡變量特征上是比較敏感的。

評估指標的計算方式：Gini 和 Accumulated Gini。將 Uplift 分成 n 組，每一組去計算一個(gè) Gini 分，如上圖第一個(gè)公式所示，在該分組下得到用戶(hù)映射到 test 桶和 base 桶之后的轉化率，再去算 Gini。同理類(lèi)推到 Uplift Gini，通過(guò)計算不同的閾值下的收益分，輔助我們去做閾值的一個(gè)判定。

通過(guò)離線(xiàn)可得，表現最好的模型是 LR+T-Learner，其實(shí)不太符合原始的預期。后來(lái)思考了這個(gè)問(wèn)題，也許問(wèn)題出在用戶(hù)對保險相關(guān)的價(jià)格特征的構建上，并不太足夠去刻畫(huà)。因為我們也去做了一些用戶(hù)調研，比如用戶(hù)的性格，對保險的敏感程度，這種 APP 域內的一些用戶(hù)畫(huà)像數據，能看到用戶(hù)對一個(gè)無(wú)實(shí)物商品的感興趣程度。但最終，還是基于這樣的分數，去劃定人群做投放，線(xiàn)上的 base 桶相對提升 5.8%。