主要包括以下四大部分內(nèi)容：

1. Uplift 增益敏感性預(yù)測

2. 增益敏感度的應(yīng)用

3. 貝葉斯因果網(wǎng)絡(luò)的介紹

4. 畫像決策路徑構(gòu)建及可解釋性應(yīng)用

01 Uplifit 增益敏感度預(yù)測

關(guān)于 Uplift 增益，通用的業(yè)務(wù)問題可以總結(jié)為，在圈定的人群中，營銷人員會想知道，新的營銷動作 T=1 相比較原始的營銷動作 T=0，能帶來多少的平均收益（lift，ATE，Average Treatment Effect）。大家會關(guān)注新的營銷動作是否比原來的更有效。

在保險場景下，營銷動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(biāo)是在各種營銷動作和約束條件限制下，找到因營銷動作而增益最多的群體，去做定向投放（Audience Targeting）。

先做一個比較理想且完美的假設(shè)：對于每一個用戶 i ，都能知道他對營銷動作 t 是不是買賬。如果買賬，可以認為公式中的 Di 為正，且 value 比較大；如果不買賬，且對營銷動作很反感，Di 可能就會比較小，甚至是負向的。這樣就能夠得到每個用戶個體對于 treatment 的效果。

關(guān)于人群劃分，可以看到上圖中的營銷四象限，我們最關(guān)注的肯定是左上角 Persuadables 的人群。結(jié)合公式，該人群的特點是當(dāng)有一些營銷動作的時候，會很買賬，也就是 Yi > 0 ，且值比較大。如果對該人群不去做營銷動作則是負的，或者是比較小，等于 0，這樣的人群的 Di 就比較大。

再看另外兩個象限的人，Sure things，指無論是否營銷，這些人都會買，那么營銷投到這一人群上的收益率是比較低的。Sleeping dogs，是指去做營銷反而會起到一些負面作用。這兩部分群體最好不要進行營銷投放。

但是這里也存在一個反事實的困境：Di 沒有那么完美。我們不可能同時知道一個用戶對 treatment 是否感興趣，即無法知道同一用戶在同一時間對不同 treatment 下的反應(yīng)。

最通俗的一個例子是：假設(shè)有一個藥物，給 A 吃了之后，會得到 A 對藥物的反應(yīng)。但卻不知道，如果 A 不吃的結(jié)果，因為 A 已經(jīng)將藥吃下去了，這其實就是一個反事實的存在。

對于反事實，我們進行了近似的預(yù)估。ITE（Individual Treatment Effect ）預(yù)估的方式，雖然找不到一個用戶，實驗其對兩個 treatment 的反應(yīng)，但可以找到相同特征的用戶群來預(yù)估反應(yīng)，比如具有相同 Xi 的兩個人，可以假設(shè)在同一特征空間下，近似等同為一個人。

這樣，Di 的預(yù)估分成了三塊：（1）Xi 在 T=1 的營銷動作下的轉(zhuǎn)化率；（2）Xi 在 T=0 的營銷動作下的轉(zhuǎn)化率；（3）lift 是一個差值，計算兩個條件概率下的差異。用戶群體的 lift 值越高，則說明該人群更買賬。如何讓 lift 更高呢？在公式中，是將 Xi 在 T=1 的營銷動作下的轉(zhuǎn)化率變大，Xi 在 T=0 的營銷動作下的轉(zhuǎn)化率越小即可。

在建模方式上，結(jié)合上文的公式，做一些歸納：

（1）T 變量的數(shù)量，如果不只是一個營銷動作，而是有 n 個營銷動作，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(yù)估方式：① 通過差分建模，預(yù)估 P 值，然后找到 lift 值，這是間接的建模。② 通過直接建模，比如標(biāo)簽轉(zhuǎn)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(yīng)用

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

首先來介紹一下，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種類，但它更多的是出現(xiàn)在主營商品的搭售鏈路上。比如我們?nèi)ビ啓C票、酒店的時候，主要購買意圖是：酒店、機票、火車票，這個時候 APP 會問你要不要買一個保險。所以保險是屬于一個輔營業(yè)務(wù)，但是其目前已經(jīng)成為交通和住宿行業(yè)一個非常重要的商業(yè)性收入來源。

本文講的主要作用域在彈窗頁：彈窗頁是飛豬 APP 下拉收銀臺的時候會彈出的一個頁面，這個頁面只會展示一種創(chuàng)意文案，只能展示一種保險商品，這一點與前面詳情頁可以展示多個類型的商品，以及保險的價格不同。所以這個頁面，會讓用戶的注意力足夠的聚焦在這里，并且可以做一些拉新促活，甚至是一些用戶教育培養(yǎng)的營銷動作。

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

在以上的約束條件下，有幾個營銷項：（1）給用戶推薦一個入門級低價保險；（2）另外一個 treatment，推薦一些紅包，主要是去做一些拉新的操作。而 Base 就是原價的保險。

建模的時候，有一些假設(shè)的條件：條件獨立的假設(shè)。指 treatment 營銷動作，在建模 uplift 采集的時候，樣本服從假設(shè)條件獨立，用戶的各個特征是相互獨立的。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，老年人上發(fā)的多一點。這個會導(dǎo)致樣本有偏。所以提出的解法是讓用戶隨機地去曝光商品。同樣的，也可以計算傾向性得分，得到同質(zhì)的用戶群，去做對比。

在實驗設(shè)計上，AB 實驗：A 是按原來的策略去投放，可能是 40 塊錢的保險，也可能是運營來進行保險的定價，或者原始模型的一個定價。B 桶，低價保險投放。 

Label ：用戶是否轉(zhuǎn)化成交。

模型：T/S/X-learner 以及各類的這種 Meta 模型。

樣本構(gòu)造：訴求是要刻畫用戶到底對這種低價保險是否更感興趣，就需要有足夠多的特征去刻畫用戶對價格的敏感性。但實際上像輔營產(chǎn)品，沒有一個比較強的意圖性。所以我們很難從用戶的歷史瀏覽購買記錄當(dāng)中，看到用戶到底喜歡多少塊錢的保險，或者是他會購買多少錢的保險。我們只能從主營或者用戶流瀏覽的一些其他的飛豬 APP 域內(nèi)的數(shù)據(jù)上去看，也會看用戶紅包的使用頻率和紅包消費比例，比如用戶會不會只有在發(fā)紅包的前幾天，才在飛豬上進行轉(zhuǎn)化。

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

評估指標(biāo)的計算方式：Gini 和 Accumulated Gini。將 Uplift 分成 n 組，每一組去計算一個 Gini 分，如上圖第一個公式所示，在該分組下得到用戶映射到 test 桶和 base 桶之后的轉(zhuǎn)化率，再去算 Gini。同理類推到 Uplift Gini，通過計算不同的閾值下的收益分，輔助我們?nèi)プ鲩撝档囊粋€判定。

通過離線可得，表現(xiàn)最好的模型是 LR+T-Learner，其實不太符合原始的預(yù)期。后來思考了這個問題，也許問題出在用戶對保險相關(guān)的價格特征的構(gòu)建上，并不太足夠去刻畫。因為我們也去做了一些用戶調(diào)研，比如用戶的性格，對保險的敏感程度，這種 APP 域內(nèi)的一些用戶畫像數(shù)據(jù)，能看到用戶對一個無實物商品的感興趣程度。但最終，還是基于這樣的分數(shù)，去劃定人群做投放，線上的 base 桶相對提升 5.8%。