Uplift Modeling在智能营销中非常重要,一般来说个性化营销人群中存在四类:
导读:随着移动互联网和人工智能技术的发展,智能化营销正渗透到各行各业。如何衡量和预测营销干预带来的"增量提升",而不把营销预算浪费在"本来就会转化"的那部分人身上,成为智能营销算法最重要的挑战。我们以Uplift Model为基础,构建营销增益预测模型,帮助商家锁定营销敏感人群,驱动收益模拟测算和投放策略制定,促成营销推广效率的最大化。本文将分享营销增益模型的原理和常见的建模及评估方法,并以淘票票智能票补为例介绍Uplift Model技术的实践经验。
智能营销增益(Uplift Modeling)模型——模型介绍(一) 智能营销增益(Uplift Modeling)模型——pylift库的使用(二)
目前有几个升级模型包(参见EconML、GRF、PTE)。他们倾向于用有趣的方法来估计异质处理效果。然而,主要模型中倾向于关注单一response、单一treatment 情景。
互联网蓬勃发展的今天是流量为王的时代,但随着流量红利逐渐消失,获客成本的日益增高,用户留存成为各大互联网公司的重点关注问题,其中流失用户的召回在当今的流量红海市场中显得尤为关键,为此,基于大数据和机器学习的智能营销技术应用而生。
我们需要识别出TR群体进行营销刺激,对于TN和CR群体可以不发放优惠券以减少成本。而CN群体比较特殊,如果想尽可能的减少成本,可以选择不发放优惠券,若想提高用户的转化则可以选择发放优惠券进行刺激。
经过上述过程的处理,数据集已经处理成营销增益模型所需的输入形式了。下面正式开始构建营销增益模型,和其他有监督模型一样,营销增益模型也需要划分训练集和验证集。我们通过如下的代码实现数据特征与数据标签的分离,同时按照7:3的比例划分训练集和测试集。
可以从很多已经落地工程化的案例中看到,在智能补贴或智能营销场景,常常需要解决两个递进的问题以及各自的解决方式,这里小结通用框架(这个套路又有点像之前学的预算分配的通用框架:A Unified Framework for Marketing Budget Allocation[1]):
上一篇【智能营销增益(Uplift Modeling)模型——模型介绍(一)】仔细介绍了理论部分,本篇主要是算法库pylift的介绍。 在【营销增益模型实战-Uplift Model原理及应用】一文中提到:
因果推断笔记——因果图建模之微软开源的dowhy(一) 因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二) 因果推断笔记——python 倾向性匹配PSM实现示例(三) 因果推断笔记——双重差分理论、假设、实践(四) 因果推断笔记——因果图建模之微软开源的EconML(五) 因果推断笔记——工具变量、内生性以及DeepIV(六) 因果推断笔记——自整理因果推断理论解读(七) 因果推断笔记——uplift建模、meta元学习、Class Transformation Method(八) 因果推断笔记——数据科学领域因果推断案例集锦(九) 因果推断笔记——CV、机器人领域因果推断案例集锦(十)
这部分只是抛砖引玉贴一些看到的非常好的业内方案。 因果推断在很多领域都有很有意思的应用,值得收藏。
每天给你送来NLP技术干货! ---- ©作者 | 努力写文的乌龟 研究方向 | 因果推断 来自 | PaperWeekly 本篇文章的服务主题是——如何评价一个弹性模型训练的好坏?介绍当前广泛使用的评价指标 AUUC。本篇由浅入深,从基本定义到应用思考,希望对 AUUC 已经了解的各位也能有小小的帮助。 为什么会有 AUUC 这个指标? 在因果推断领域有一个最基本的问题——对于一个给定的个体,我们不可能知道对它施加各种动作的反应。举一个生活中的例子,商店给客户发优惠券,假如我们给一位用户发了优惠券,
因果推断在互联网界应用主要是基于Uplift model来预测额外收益提升ROI。Uplift模型帮助商家计算人群营销敏感度,驱动收益模拟预算和投放策略制定,促成营销推广效率的最大化。同时如何衡量和预测营销干预带来的“增量提升”,而不是把营销预算浪费在“本来就会转化”的那部分人身上,成为智能营销算法最重要的挑战。
经济学课程里谈到价格需求弹性,描述需求数量随商品价格的变动而变化的弹性。价格一般不直接影响需求,而是被用户决策相关的中间变量所中介作用。假设 Q 为某个商品的需求的数量,P 为该商品的价格,则计算需求的价格弹性为,
营销增益模型(Uplift)是用户转化分析中常用的模型,今天的文章基于营销数据利用Python进行实战识别营销敏感客户群体,以在实际营销活动中降低企业成本。
笔者近两年都在做智能营销方面的探索,不过最近想稍微切换自己的研究赛道,所以最近想把智能营销方面细枝末节的一些思考发出来。 关于活动、节假日、促销等营销方式的因果效应评估前篇是《活动、节假日、促销等营销方式的因果效应评估——特征工程篇(一)》是把给入模型时特征加工的方式列举一下,本篇是想简单总结如何评价一个活动营销方式的好坏;当然方法本身不胜枚举,只能在有限视野里面进行归纳。
其余两篇开源项目的文章: 因果推断笔记——因果图建模之微软开源的EconML(五) 因果推断笔记——因果图建模之微软开源的dowhy(一)
Fast-Causal-Inference是腾讯微信实验科学团队研发,采用SQL交互的,基于分布式向量化的统计分析、因果推断计算库。解决已有统计模型库(R/Python)在大数据下的性能瓶颈, 提供百亿级数据秒级执行的Causal inference能力。同时通过SQL语言降低统计模型使用门槛,易用于生产环境中。
这类问题之所以难以解决是因为ground truth在现实中是观测不到的,一个已经服了药的患者血压降低但我们无从知道在同一时刻如果他没有服药血压是不是也会降低。
携程作为旅游平台,跟用户需求息息相关,理解和识别各个策略/系统对转化/收益的因果关系尤为重要,在这个过程中需要将影响因变量的其他因素进行控制,但这些因素通常是复杂且难以测量的。在关系识别困难的情况下,如何使用更为科学的方法,对策略进行微观和宏观的建模分析,如何系统性的评估各种策略的长期影响,是要解决的重要问题。
我们在日常数据相关的工作中,常常需要去推断结果Y是否由原因X造成。“相关性并不意味着因果关系”,相信做数据分析的同学都明白这个道理。有一个喜闻乐见的例子:夏天海岸,鲨鱼袭击事件较其他季节多20%,同时冰淇淋销量比其他季节多100%,冰淇淋销量和鲨鱼袭击事件成正相关关系,得出结论销售冰淇凌会导致鲨鱼袭击。这实际上是违背常识的。
Latest KDnuggets Poll asked Which methods/algorithms you used in the past 12 months for an actual Da
CIKM 2022的论文已出,笔者整理了其中的推荐系统,点击率以及因果推断相关的论文。今年跨域,图学习还是热点,点击率模型中长短期兴趣的处理是热点。
因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二)[2]
在当今数据驱动的决策过程中,因果推断和增益模型扮演了至关重要的角色。因果推断帮助我们理解不同变量间的因果关系,而增益模型则专注于评估干预措施对个体的影响,从而优化策略和行动。然而,要提高这些模型的精确度和适应性,引入元学习器成为了一个创新的解决方案。元学习器通过将估计任务分解并应用不同的机器学习技术,能够有效增强模型的表现。接下来,我们将详细探讨如何利用元学习优化增益模型的性能,特别是通过S-Learner、T-Learner和X-Learner这几种估计器。
Efficient wake word recognition on microcontrollers with Cortex-M55 and Helium technology for use in consumer and automotive products that include more and more AI features for voice applications.
本文作者:Fengyu ,腾讯IEG产品策划 一、基本概念 (一)定义 归因(Attribution)是指采用标识符来识别用户的转化路径,并判断其中的有效触点价值。广告平台基于归因结果,进行付费;广告主则可用于投放策略的优化。 图片来源:Google App 线上广告课程 (二)实现核心逻辑:广告与转化的匹配 应用广告的归因,依赖于获取广告、转化信息,及实现二者的匹配: 广告信息:用户点击/浏览了广告,将点击广告的用户信息(比如用户的IMEI或者IDFA等)以及广告信息(比如广告trackingID,广
有幸作为讲师参加上海qcon2019大会,这里做个笔记把大会几个核心专题,以及专题上主要谈到的一些技术趋势记录一下。也拎5个自己觉得非常好的ppt提炼分享下,涉及Mesh、中台、devops、AI、运维这5个方面
在本系列前面的帖子中,我们连续梳理了Netflix、YouTube、Beamr、EuclidIQ、Bitmovin、Harmonic、V-Nova及Cisco在CAE(Content Aware En
导读:本文来自于KDnuggets所做的十大算法调查,对于数据工程师常用的算法进行排名,并对其在2011-2016年间的变化进行介绍。 基于调查,KDnuggets总结出了数据科学家最常使用的十大算法,它们分别是: 1. Regression 回归算法 2. Clustering 聚类算法 3. Decision Trees/Rules 决策树 4. Visualization 可视化 5. k-Nearest Neighbor 邻近算法 6. PCA (Principal Component Analys
2019年6月30日14:00,在国家自然科学基金委管理科学部支持下,中山大学管理学院、香港中文大学(深圳)经济管理学院联合举办的“2019营销科学与应用国际会议(2019IFMSA)”之腾讯广告智慧营销学术交流论坛在中山大学管理学院善思堂国际会议厅正式开幕。 本次会议由香港中文大学(深圳)讲座教授贾建民、中山大学教授王海忠及美国宾夕法尼亚大学教授张忠担任大会共同主席,众多国际著名营销学者、国内知名营销学者和企业界人士齐聚本次会议,并进行论坛的演讲交流。 腾讯广告副总裁罗征、腾讯广告首席创意专家杨燕燕、腾
根据Gregory Piatetsky, KDnuggets,最新的调查问题是:在最近的12个月中,你在实际数据科学相关应用中用到了那些模型/算法? 于是就有了以下基于844份答卷的结果。 ◆
ATT :Average Treatment Effects on Treated
《Theoretical Impediments to Machine Learning With Seven Sparks from the Causal Revolution》这篇论文说到了因果推断的三层。
导读:本文转载自 DataFun 社区,分享题目为《如何在因果推断中更好地利用数据?》,主要介绍团队近期在因果上已发表论文的相关工作。本报告从两个方面来介绍我们如何利用更多的数据来做好因果推断,一个是利用历史对照数据来显式缓解混淆偏差,另一个是多源数据融合下的因果推断。
核心论文: V. Chernozhukov, D. Chetverikov, M. Demirer, E. Duflo, C. Hansen, and a. W. Newey. Double Machine Learning for Treatment and Causal Parameters. ArXiv e-prints
深圳市锐宝智联信息有限公司(以下简称锐宝智联),位于深圳市宝安区创维创新谷,是国家级高新技术企业。锐宝智联成立至今,专注于各嵌入式平台工业电脑主板及系统整机的研发设计和生产,在新一代高可靠无风扇工业边缘计算终端细分市场,通过多年深度研发,拥有较高市场地位。
这个系列文章: 因果推断笔记——python 倾向性匹配PSM实现示例(三) 因果推断笔记——DML :Double Machine Learning案例学习(十六)
本篇想法来源:因果推断与反事实预测——盒马KDD2021的一篇论文(二十三) 盒马论文提到了
Microcontrollers (MCUs) are the tiny computers that power our technological environment. There are over 30 billion of them manufactured every year, embedded in everything from household appliances to fitness trackers.
腾讯ISUX isux.tencent.com 社交用户体验设计 (YCG品牌宣传片) There are many talented artists how are making creative stuff but they lack the self-confidence to share their work with others. Many of the artists are mostly dedicated to their work and they don't have th
https://iris.angers.inra.fr/gddh13/the-apple-genome-downloads.html
最近KDnuggets针对数据科学家最常使用的算法作了一个调查,有一些意外的发现,包括最学术向的算法和最产业向的算法。 下面是调查结果,总调查人数是 844 人。 数据科学家最常用的Top 10种算法
有同学问:陈老师,每次被面试都被问“你使用过哪些数据分析的方法”。结果都感觉答不上来。到底数据分析有什么方法?为啥我在做数据分析,却感觉没什么方法?今天系统解答一下。
只要是做数据仓库的同学都或多或少了解和实践过维度数据建模,在大银行、运营商等传统领域,维度数据建模更是其数据分析和建模的核心理念。感兴趣的同学可以读下《数据仓库工具箱:维度建模权威指南》和阿里巴巴的《大数据之路》,从这两本书可以了解到维度数据建模的理论和工程实践。
来源:PaperWeekly 本文约5000字,建议阅读8分钟 这篇文章是由笔者根据自然语言顶级会议收录有关于因果推断的文献整理而成,内容包括论文的基本信息以及阅读笔记。 他山之石 1. Papers about Causal Inference and Language https://github.com/causaltext/causal-text-papers 2. Causality for NLP Reading List https://github.com/zhijing-jin/Causa
IBM Expands Data Discovery and Q&A Power of Watson Analytics Half a Million Professionals Access IBM Watson Analytics in Less Than a Year IBM Watson Analytics provides on ramp to Cognitive Business; Leads shift to self-service analysis with mix of natural
之前有整理过一篇:因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二) 不过,那时候刚刚开始学,只能慢慢理解,所以这边通过一轮的学习再次整理一下手里的笔记。
领取专属 10元无门槛券
手把手带您无忧上云