作者簡介

Ryan，攜程算法專家，專注個性化推薦、智能營銷等領(lǐng)域；

(資料圖)

小白，攜程算法工程師，研究智能營銷、用戶增長等領(lǐng)域。

一、背景

互聯(lián)網(wǎng)蓬勃發(fā)展的今天是流量為王的時代，但隨著流量紅利逐漸消失，獲客成本的日益增高，用戶留存成為各大互聯(lián)網(wǎng)公司的重點關(guān)注問題，其中流失用戶的召回在當(dāng)今的流量紅海市場中顯得尤為關(guān)鍵，為此，基于大數(shù)據(jù)和機器學(xué)習(xí)的智能營銷技術(shù)應(yīng)用而生。

攜程火車票業(yè)務(wù)每周都會有短信營銷活動，旨在通過對近期未下單的老客發(fā)送短信將其召回，促進復(fù)購，提升用戶粘性（業(yè)務(wù)流程如圖 1 所示）；原有業(yè)務(wù)策略是基于規(guī)則的方式隨機從滿足條件的用戶池中選擇一部分進行短信投放，針對該方法過于粗放、召回效果不佳、短信發(fā)送 ROI 不高的問題，我們分階段提出基于 Response Model 的轉(zhuǎn)化率預(yù)估模型、基于 Uplift Model 的短信敏感度預(yù)估模型，逐一對問題進行更科學(xué)的定義、拆解和優(yōu)化。

圖1 攜程火車票短信召回業(yè)務(wù)流程圖

二、問題定義

上述短信召回業(yè)務(wù)需要解決的核心問題可抽象概括如下：

定義：在滿足條件的老客用戶池（假設(shè)用戶規(guī)模為 N ）中，通過策略或者模型篩選出 K 個用戶（在短信成本約束下，K 通常小于 N ），對這些用戶發(fā)送短信后，提升整體的轉(zhuǎn)化率和短信發(fā)送 ROI。

三、解決方案3.1 基于 Response Model 的轉(zhuǎn)化率預(yù)估模型

針對上述問題，在只有基于業(yè)務(wù)策略的短信發(fā)送歷史記錄的情況下，我們首先嘗試通過構(gòu)建一個基于 Response Model 的轉(zhuǎn)化率預(yù)估模型預(yù)測用戶被短信營銷影響后的下單概率，進而選擇下單概率高的那部分用戶進行短信投放，該方法可形式化描述如下：

V1

目標：在 N 個用戶中尋找 K 個短信投放后下單概率最高的用戶。

方法：根據(jù)歷史短信發(fā)送記錄構(gòu)建短信觸達后用戶的轉(zhuǎn)化率預(yù)估模型(考慮到樣本規(guī)模以及連續(xù)特征占比較高，我們采用 XGBoost )，對目標用戶群進行打分，選出前 K 個下單概率最高的用戶（標簽定義：發(fā)送短信后，用戶下單則為正樣本，未下單則為負樣本）。

實驗方案：如圖 2 所示，先將 N 個用戶隨機等分為兩組 A 和 B。

a. 對照組：在 A 組中隨機選擇 K/2 個用戶進行短信投放；

b. 實驗組：在 B 組通過轉(zhuǎn)化率預(yù)估模型預(yù)測打分，按分值由高到低篩出前 K/2 個用戶。

評價指標：離線：AUC，TopK 的召回率；在線：用戶轉(zhuǎn)化率、短信發(fā)送 ROI。

圖2 v1 實驗方案流程圖

該方案實驗后，實驗組相比對照組在上述評價指標上均取得大幅提升，但仔細分析后發(fā)現(xiàn)存在兩個比較明顯的問題：

a. 評價指標不合理：轉(zhuǎn)化率預(yù)估模型選擇的用戶相比隨機選擇的用戶，在下單概率方面具有天然的偏置;

b. 實驗方案不合理：未能排除用戶自然召回因素的影響（部分人群不管是否有營銷活動都會下單），無法量化評估短信營銷的增量效益。

V2

針對上述兩個問題，我們改進了實驗方案和評價指標：

目標：驗證通過方案 v1 找到的 K 個用戶在短信投放后下單和收益增量是否更高。

方法：構(gòu)建轉(zhuǎn)化率預(yù)估模型，同 v1。

實驗方案：如圖 3 所示，先將 N 個用戶隨機等分為兩組 A 和 B。

a. 對照組：將 A 組隨機等分為 A1 和 A2，分別從 A1、A2 中隨機篩出 K/2 個用戶，前者投放短信，后者不投放短信；

b. 實驗組：將B組隨機等分為 B1 和 B2，分別從 B1、B2 中通過轉(zhuǎn)化率預(yù)估模型篩出分數(shù)最高的前 K/2 個用戶，前者投放短信，后者不投放短信。

評價指標：離線：Qini Score，AUUC；在線：短信投放人群相比未投放短信人群的增量轉(zhuǎn)化率、短信發(fā)送增量 ROI。

該方法的實驗方案和評價指標雖然更加科學(xué)合理，但由于轉(zhuǎn)化率預(yù)估模型的優(yōu)化目標和評價指標的優(yōu)化方向不一致，該模型無法預(yù)估短信投放的增量效益（未考慮自然轉(zhuǎn)化因素的影響），為此，我們需要針對優(yōu)化目標進一步構(gòu)建更加符合業(yè)務(wù)場景需要的模型。

3.2 基于 Uplift Model 的短信敏感度預(yù)估模型

為了解決 Response Model 在上述業(yè)務(wù)場景下存在的問題，提升短信投放帶來的增量效益，我們進一步構(gòu)建了基于 Uplift Model 的短信敏感度預(yù)估模型。

Uplift Model 是工業(yè)界因果推斷與機器學(xué)習(xí)結(jié)合最成熟的算法之一，在智能營銷和用戶增長領(lǐng)域中有著廣泛的應(yīng)用，我們先介紹一下用來解釋 Uplift Model 的較為經(jīng)典的營銷人群劃分圖：

圖4 營銷人群四象限劃分圖

圖中四類人群解釋如下：

a. 營銷敏感人群：營銷活動觸達（短信、優(yōu)惠券等）則購買，不觸達則不買；

b. 自然轉(zhuǎn)化人群：不論營銷活動是否觸達均會購買；

c. 無動于衷人群：不論營銷活動是否觸達均不會購買；

d. 反感營銷人群：營銷活動不觸達會購買，觸達反而不買。

很顯然，智能營銷的目標就是盡可能找到圖 4 中的營銷敏感群體，從而最大化營銷活動的增量效益，Uplift Model 就是為此應(yīng)運而生。

Uplift Model 是用于估計某種干預(yù)因素（Treatment，以下簡稱T）對個體處理效應(yīng)（Individual Treatment Effect，簡稱 ITE）的一類模型。在上述的業(yè)務(wù)場景中，假設(shè) T=0 代表不發(fā)短信（對應(yīng)人群簡稱 T 組），T=1 代表發(fā)送短信（對應(yīng)人群簡稱 C 組），X 代表用戶特征，Y 代表輸出預(yù)測值，P 代表轉(zhuǎn)化概率，ITE 即為轉(zhuǎn)化概率的增量變化，其可形式化表述如下：`

ITE=P(Y|X=x,T=1)-P(Y|X=x,T=0) （1）

常用的 Uplift Model 有 Meta-learner（S-learner，T-learner，X-learner等[1]）和 Tree-based learner（Uplift Tree[2]，Causal Forest[3]等）以及 Dnn-based learner（TARNet[4]、CEVAE[5]等），其中 Causal Forest 主要基于 Uplift Tree 通過隨機森林（Random Forests）進行集成學(xué)習(xí)，業(yè)界目前較為流行的做法是使用廣義隨機森林（Generalized Random Forests，GRF[6]）。

上述三類 Uplift Model 的特性總結(jié)如下：

模型名稱	優(yōu)點	缺點
Meta-learner	可擴展性強，表現(xiàn)較為穩(wěn)定，基礎(chǔ)模型可以直接套用現(xiàn)有分類模型（LR/GBDT/DNN等）	非直接建模ITE，基礎(chǔ)模型仍是Response Model，模型擬合能力有待提高
Tree-based learner	直接建模ITE，模型擬合能力較強	工程實現(xiàn)難度較大，對數(shù)據(jù)分布較為敏感，泛化能力不穩(wěn)定
Dnn-based learner	參數(shù)共享，模型結(jié)構(gòu)和損失函數(shù)定義較為靈活，模型擬合能力強	對訓(xùn)練數(shù)據(jù)量要求較大，否則比較難以發(fā)揮模型擬合能力的優(yōu)勢

表1 Uplift Model特性總結(jié)

通過 Uplift Model 我們可以估計短信營銷對用戶的增量效益，根據(jù)增量效益的量化排序，我們即可以篩選出圖 4 所示的營銷敏感人群，實驗方案依然遵循圖 3 所示流程，需要注意的是 Uplift Model 的建模對訓(xùn)練樣本的要求較高，需要服從 CIA ( Conditional Independence Assumption ) 條件獨立假設(shè)，我們可以通過讓 X 與 T 保持相互獨立滿足此條件。為此，我們在進行實驗的同時，會預(yù)留一小部分流量做隨機化 A/B 實驗，實驗組會隨機選擇部分用戶發(fā)送短信，對照組隨機選擇部分用戶不發(fā)送短信，這個實驗，可以為 Uplift Model 建模提供無偏的樣本。

四、實驗結(jié)果

按照圖 3 所示實驗方案，我們分階段做了兩次實驗，第一次是驗證基于 Response Model 的轉(zhuǎn)化率預(yù)估模型是否帶來了短信營銷的增量效益，其線上效果如表 2 所示，可以看出，在我們的業(yè)務(wù)場景中，相比隨機篩選的人群，短信營銷對轉(zhuǎn)化率高的人群其實具有較強的正向作用，所以這算是一次較為成功的嘗試。

表2 線上實驗結(jié)果：Response Model vs Random

基于 Response Model 的轉(zhuǎn)化率預(yù)估模型經(jīng)過線上實驗驗證，雖然業(yè)務(wù)指標提升較為明顯，但基于本文中對短信營銷增量效益的分析，我們決定繼續(xù)進行第二階段的實驗評估，離線建模結(jié)果如表 3 所示：

圖片

表3 離線評估結(jié)果：Uplift Model vs Response Model

表 3 中主要評估基于 Meta-learner 構(gòu)建的 Uplift Model 相比 Response Model 的離線指標提升，對本次實驗我們將基于 Response Model 的轉(zhuǎn)化率預(yù)估模型作為對照版，將基于 Uplift Model 的短信敏感度預(yù)估模型作為實驗版，其中 Uplift Model 為離線評估效果相對較好的 T-learner，線上效果如表 4 所示：

圖片

表4 線上實驗結(jié)果：Uplift Model vs Response Model

從表 4 可以看出，Uplift Model 的線上表現(xiàn)效果和離線一致，相比 Response Model 取得了明顯的業(yè)務(wù)指標提升，這也驗證了 Uplift Model 確實適用于提升短信營銷的增量效益，有助于挖掘更多的短信營銷敏感人群。

五、探索分析

在進行上述兩階段的實驗之后，我們繼續(xù)探索更多 Uplift Model 在我們業(yè)務(wù)場景的適用性，同時也是為了評估當(dāng)前業(yè)務(wù)繼續(xù)進行實驗迭代的必要性。

除了 Meta-Learner，我們也選擇了以 GRF 作為代表的 Tree-based learner 和以 TARNet 作為代表 Dnn-based learner 進行評估對比，同時，考慮到 S-learner 中 T 作為特征加入到模型訓(xùn)練過程中有可能被眾多用戶特征稀釋，我們對用戶特征采用 PCA 進行降維后再將 T 作為特征用 S-learner 進行訓(xùn)練和評估（即表 5 中 PCA+S-learner），表中測試集 v1 我們繼續(xù)使用和表 3 一致的測試集。

各模型的離線評估效果如下：

圖片

表5 Uplift Model 離線指標評估結(jié)果（測試集 v1）

圖5 Uplift Model 離線評估結(jié)果-Qini Curve（測試集 v1）

為了更加清晰地看出 Uplift Model 的增量效益，我們也繪制了 Qini Curve，如圖 5 所示（圖中橫坐標代表按 ITE 估計值排序后的樣本占比，縱坐標代表對應(yīng)人群實際的轉(zhuǎn)化增量，曲線下的面積越大，代表模型效果越好）：

從表 5 和圖 5 可以看出，TARNet、GRF、PCA+S-learner 的表現(xiàn)均較為突出，但考慮到這些模型容易受整體數(shù)據(jù)分布的影響，為了評估各個模型的泛化能力，我們額外選擇了線上受到疫情影響日期較為靠后的測試數(shù)據(jù)集 v2，其離線評估效果如圖表 6 和圖 6 所示：

表6 Uplift Model 離線指標評估結(jié)果（測試集 v2）

圖6 Uplift Model 離線評估結(jié)果-Qini Curve（測試集 v2）

從表 6 和圖 6 可以看出，PCA+S-learner，GRF，TARNet 等模型均容易受到數(shù)據(jù)分布變化的影響，這些模型還需要進一步優(yōu)化模型結(jié)構(gòu)提升泛化能力以增強適應(yīng)數(shù)據(jù)分布變化的魯棒性，這也是我們后續(xù)探索的方向之一；其中 T-learner 表現(xiàn)比較穩(wěn)定，適應(yīng)數(shù)據(jù)分布變化的能力也較強，更加適用于我們當(dāng)前的業(yè)務(wù)場景。

六、總結(jié)與展望

攜程火車票短信召回業(yè)務(wù)是一個比較典型的智能營銷場景，短信召回算法的優(yōu)化過程和結(jié)論總結(jié)如下：

a. 針對智能營銷類場景，直接估計干預(yù)因子增量效應(yīng)的 Uplift Model 相比傳統(tǒng)的 Response Model 具有更強的適用性；

b. 智能營銷類場景需要設(shè)計科學(xué)合理的實驗方案來驗證干預(yù)因素的增量效應(yīng)，最好預(yù)留部分流量進行隨機化實驗從而為 Uplift Model 的訓(xùn)練和評估提供無偏的樣本；

c. Uplift Model 的實現(xiàn)方式有很多種（Meta-learner、 Tree-based learner、 Dnn-based learner等），其中 T-learner 在我們的業(yè)務(wù)場景中效果相對穩(wěn)定，較為適用，但不一定適用于其他場景，需要根據(jù)實際情況進行分析和評測；

d. 我們對 Uplift Model 探索還有待進一步深化，比如應(yīng)對連續(xù)以及多元干預(yù)因子的處理、優(yōu)化模型結(jié)構(gòu)提升泛化能力和解決多目標跨域聯(lián)合建模等。

關(guān)鍵詞：