Uplift_Modeling.md

Uplift Modeling

激励应用简介

• 激励：是指一件可以驱使一个人做某件事或以某种方式行事的东西
• 激励业务：通过给予用户一定的奖励，引导用户完成指定动作（任务），为产品带来收益

激励玩法

• 拉新：裂变拉新
• 促活：签到、新手任务、看视频得金币
• 变现：激励广告、电商补贴、直播激励
• 渗透：投稿、社交、搜索、跨端导量

激励场景应用因果推断的机会和挑战

• 天然实验场：有机会做大规模随机实验

  • 多数场景可以做一定流量的随机实验

  • 数据量充足，可以比较准确地评估ATE

  • 激励场景的Treatment对用户的影响更加直接，更有区分度

• 个性化：更加关注异质因果效应(HTE)

  • 拥有海量的数据和特征，有可能进行细粒度的HTE估计，但是难度远超ATE
  • 个体粒度缺少Ground Truth，难以评估和Debug

问题定义

• 约束：给出一定的预算/资源限制
• 目标：最大化整体的指定业务指标
• 决策：为每个用户分配什么样的激励选项(Treatment)
  • 可以是有无某种激励
  • 也可以是几种不同的激励形式
  • 还可以是一些离散的激励数值

基本流程

• 数据收集
• Uplift建模
• 运筹决策
• 离线评估
• AB实验

数据收集

尽量采用随机实验的数据，实在没有再用观测数据。

Uplift 建模

运筹决策

线性规划的统一化形式：

$$\max_{x_{ij}}\sum_{i=1}^N\sum_{j=1}^{M}x_{ij}v_{ij}\ s.t. \sum_{j=1}^{M} x_{ij}=1, \forall i\ \sum_{i=1}^{N}\sum_{j=1}^{M}x_{ij}c_{ij}\leq B\ 0\leq x_{ij}\leq 1, \forall i,j$$

• N个用户，M种Treatment
• B为成本总预算
• $$v_{ij}$$ 和 $$c_{ij}$$通常是Uplift模型预估出来的成本和收益的增量
• $$x_{ij}$$ 是需要求解的treatment分配变量

求解方案：

离线评估

AB实验

总结

Uplift应用建模优质博客与专栏

• Uplift Modeling的相关案例介绍 - 知乎 (zhihu.com)

• 笔记︱数据科学领域因果推断案例集锦（第二弹） - 知乎 (zhihu.com)

• 因果推断&案例集锦 - 知乎 (zhihu.com)

• 广告策略算法的一点一滴 - 知乎 (zhihu.com)

• 阿里文娱智能营销增益模型 (Uplift Model) 技术实践 - AIQ (6aiq.com)

• 因果推断在阿里文娱用户增长中的应用_大数据_DataFunTalk_InfoQ精选文章

• Uplift广告增效衡量-官网 (gtimg.cn)

• Uplift-Model在贝壳业务场景中的实践_测试_付东东_InfoQ精选文章