背景模型評估InsertionFee&FinalValueFeeFinalValueFeeFVFdiscountFinalValueFeeZeroinsertionfeeTestGroupControlGroup-200K但是業(yè)務痛點是部分TestGroup?戶，即使沒有Campaign也會List，這樣Campaign對這部分?戶是低效率的。所以，我們核?想找到的?標?戶是：僅在Campaign下，才會List的?戶即尋找Campaign(運營措施)和?戶List(?標?為)之間的因果關系。尋找活動敏感型用戶…1122221PersuadablePersuadable0Surethings0LostCausesDoNotDisturbs業(yè)務痛點對因果效應的度量轉(zhuǎn)化為：使用Upli模型預測的因變量預測的本質(zhì)ResponseModel在Campaign下List的概率(ListwithCampaign)CorrelationUpliftModel因為Campaign?List的概率，PersuadableLikelihoodScore(ListwithCampaign-ListwithoutCampaign)CausationChallengeUpliftModel:1MachineLearningalgorithmXRandomForest&XgboostS-learner,T-learner,X-learner收集用戶數(shù)據(jù)搭建模型…-…-…-…-…難點：我們并沒有單個?戶真實的PersuadableLikelihoodScore，因此像AUC這樣傳統(tǒng)的評估指標是?法使?的。解決思路：通過構(gòu)造鏡像?群的?式來間接拿到PersuadableLikelihoodScore對滿?CIA的樣本量計算PersuadableLikelihoodScore按照PersuadableLikelihoodScore進??群排序在兩組?戶中，同時剔除尾部X%得分的?戶，計算兩組GetUpliftCurveDropUserwithtail2Score11l22l..●iGMVforiGMV●TargetingStrategy:DropuseriREVforiREVTargetingStrategy:DropuseriGMViREV+12K 474K -7K -8K+1K1Listin2dwithCampaign?22Listin2dw/oCampaign?33Listin5dwithCampaign?44Listin5dw/oCampaign?l-l2*4lPropensitydifference101listY/Nin2d110111Feature&Response-…-…-…-…11CampaignPeriod(2days)--22riGMViGMViREViGMViREV+235K+235K5K703K5K703K486K474K-8K-8K-7K+13K11Listin2dwithCampaign?22Listin2dw/oCampaign?222233Listin5dwithCampaign?012044Listin5dw/oCampaign?005Propensitydifference8903d11CampaignPeriod(2days)--22Campaign+pureperiod(7days)Campaign+pureperiod(7days)33-…-…---……………iGMV●●iREViGMViREV+300K+300K5K5K5K5K703K797K486K474K-8K-8K-7K+14KDropuserwithtailX%scoreiGMViREV1K8K1K8K +16K +16K-8K-7KCampaignPerformance通過電商商家補貼活動為例，介紹基于UpliftModel如何構(gòu)建營銷增益模型，其思路可廣泛應用于各個場景，包括Push的分發(fā)、用戶優(yōu)惠券發(fā)放等。不同場景下，treatment的維度不一樣，可能會帶來的問題?建模形式升級，需考慮多維度的建模，此類問題可以采用多任務學習的方式，聯(lián)合其他場景一起建模?