因果推荐技术在营销和可解释性上的应用学习

01/Uplifit 增益敏感度预测

关于 Uplift 增益，通用的业务问题可以总结为，在圈定的人群中，营销人员会想知道，新的营销动作 T=1 相比较原始的营销动作 T=0，能带来多少的平均收益（lift，ATE，Average Treatment Effect）。大家会关注新的营销动作是否比原来的更有效。

在保险场景下，营销动作主要指的是保险的推荐，比如推荐模块上透出的文案和产品，目标是在各种营销动作和约束条件限制下，找到因营销动作而增益最多的群体，去做定向投放（Audience Targeting）。

02/增益敏感度的应用

增益敏感度主要做了三方面的应用：保险产品的推荐，红包推荐，以及文案的推荐。

首先来介绍一下，旅游保险在飞猪上是什么样的定位。旅游保险是旅行商品中的一个种类，但它更多的是出现在主营商品的搭售链路上。比如我们去订机票、酒店的时候，主要购买意图是：酒店、机票、火车票，这个时候 APP 会问你要不要买一个保险。所以保险是属于一个辅营业务，但是其目前已经成为交通和住宿行业一个非常重要的商业性收入来源。

本文讲的主要作用域在弹窗页：弹窗页是飞猪 APP 下拉收银台的时候会弹出的一个页面，这个页面只会展示一种创意文案，只能展示一种保险商品，这一点与前面详情页可以展示多个类型的商品，以及保险的价格不同。所以这个页面，会让用户的注意力足够的聚焦在这里，并且可以做一些拉新促活，甚至是一些用户教育培养的营销动作。

建模的时候，有一些假设的条件：条件独立的假设。指 treatment 营销动作，在建模 uplift 采集的时候，样本服从假设条件独立，用户的各个特征是相互独立的。比如发红包，不能在年龄上有不同的分布，例如，在年轻人上少一点，老年人上发的多一点。这个会导致样本有偏。所以提出的解法是让用户随机地去曝光商品。同样的，也可以计算倾向性得分，得到同质的用户群，去做对比。

在实验设计上，AB 实验：A 是按原来的策略去投放，可能是 40 块钱的保险，也可能是运营来进行保险的定价，或者原始模型的一个定价。B 桶，低价保险投放。

Label ：用户是否转化成交。

模型：T/S/X-learner 以及各类的这种 Meta 模型。

样本构造：诉求是要刻画用户到底对这种低价保险是否更感兴趣，就需要有足够多的特征去刻画用户对价格的敏感性。但实际上像辅营产品，没有一个比较强的意图性。所以我们很难从用户的历史浏览购买记录当中，看到用户到底喜欢多少块钱的保险，或者是他会购买多少钱的保险。我们只能从主营或者用户流浏览的一些其他的飞猪 APP 域内的数据上去看，也会看用户红包的使用频率和红包消费比例，比如用户会不会只有在发红包的前几天，才在飞猪上进行转化。

03/贝叶斯因果网络

在网络结构中有 4 类模型学习的问题：

① 结构学习：基于样本，怎样才能学习一个比较优的贝叶斯网络，主要是基于后验，如上图公式，如果 structure 的概率值越高，则认为网络学的最优。

② 得到结构之后，怎样知道网络里节点上的条件概率值，以及它的参数。

③ 推断：当事件 A 发生的时候，事件 B 发生对概率。

④ 归因：当事件 A 发生的时候，导致 A 发生的原因有哪些。

04/画像决策路径构建及可解释性应用

 上文中提到，保险推荐场景与搜索推荐不太一样，保险推荐是个辅营业务，用户不带有主观，也就是在来到这个模块之前，他在 APP 域内的浏览记录，跟用户对什么样的保险或文案感兴趣，没有同质的关联性。而在搜索中，输入亲子酒店，就知道用户对亲子标签的酒店有需求。在辅营场景，需要复杂的推理过程，才能知道什么样的 Treatment 动作是有效的。举个例子，通过网络挖掘会发现，在天气恶劣的情况下，可能延误险的销量会比较好。

 

如何建模，把网络里的节点和边构建成如下的几种：

① 用户节点，将年龄、性别这种用户画像的基础信息作为一个离散变量，成为一个节点。

② 事件节点，因为保险场景对事件的敏感性要高于很多其他的商品推荐，比如在天气或者节日下，用户可能会对延误险，或者某些有特定属性的保险比较敏感。

③ 创意节点，比如温馨类引导性文案、动态数字文案等都会有不同的效果。

基于以上三大类节点，做条件概率计算，完成图的构建。

刚刚提到的用户，通过构建场景和事件的理解和创意理解。最后，把所有的节点类型都统一到如上图所示的结构中。

得到节点之后，进行结构学习，使用 Hockman scoring function + grade search 。这个过程主要是在给定数据和网络结构之后，计算得到网络的后验概率值，评估这个网络到底有没有效。

在做 Hockman scoring function 的时候，可能有多种变量，离散型或者连续型。在构建时都变成一种离散变量，方便后续的解释和建模。我们会假设每一个变量符合狄利克雷分布，施加于样本上去做后验的更新，再计算每个节点的后验的值，把节点之间的概率相乘，得到结构的打分。比较通用，大家如果有兴趣，可以后面详细了解下这个方法。由于网络结构比较复杂，所以在整个网络中选用 greedy search 的方法。参数估计比较简单，根据样本对节点的条件概率表做更新。

可解释的应用，基于结构以及参数的更新，可以做两部分的事情：

① 基于各类的 evidence 推断用户可能会做哪种决策，就像上文中提到的那些例子。可以使用 Likelihood weighting 或者 Loopy Belief Propagation，这些是比较常见的一些方法。

② 归因，上图中里面显示的是健康类的保险，比如意外险突然热销，我们很想知道背后的原因，是因为有人喜欢买，可能用户的消费力比较高，还是因为用户是个新人以前不怎么坐飞机，或者是用户的目的地存在高原属性，因为害怕心理导致购买。

最后进行一下总结，因果推断在保险产品推荐、红包和文案营销的人群和推荐策略中起到了很大的效果。同时，结合贝叶斯因果图的构建和可视化的解释，可以给业务提供一些比较有意义的决策，让他们可以持续更新策略或者文案，或者进行一些方向性的变更。通过贝叶斯因果图，也为特征的选择提供了新的思路。

参考

因果推荐技术在营销和可解释性上的应用 - 知乎

Uplift-Model在贝壳业务场景中的实践 - 腾讯云开发者社区-腾讯云

uplift model—标签转化法( Class Transformation)（第一篇） - 知乎

因果推断--Uplift model的原理和python实操（三）-CSDN博客

因果学习开源项目：从预测到决策！-CSDN博客

清华大学崔鹏：因果推断技术最新的发展趋势及在推荐系统中的应用-CSDN博客

【实践】小红书推荐中台实践-CSDN博客

YLearn

应用场景

从普遍意义上讲，只要是需要决策支持的这类任务都可以使用YLearn来完成，弹性定价、客户挽留、产品推荐、广告等等，前提条件和机器学习一样就是要准备好符合要求的数据就可以。

因果学习其中有一个重要的应用就是Uplift建模，直接字面理解就是提升建模，提升的是什么可以认为提升ROI（投入产出比），非常适合用在精准营销上面。提升建模的核心是把目标用户分到4个象限里。

举例：

在向一些用户推荐去购买一个产品，比如说一个理财或者是线上的订阅服务，那么现实中用户会有4类:

1、确定会购买的用户，不管我是否推荐这类用户都会购买（铁粉）；

2.不管我是否推荐他都不会购买（黑粉）；

3.我的推荐会提高用户购买转化的，如果不推荐他不会购买（路转粉）；

4.是一些静默用户本来已经订阅了我们的服务，一旦收到我们的推荐提醒反而取消了订阅（粉转黑）。

对1、2类用户，铁粉、黑粉我们都不需要干预他，因为这个投入成本的收益几乎是0，可以节省营销成本，第4类用户更是坚决不要去触达他，避免产生副作用。我们重点需要触达的就是第3类用户，促进购买行为。那么机器学习模型是没办法完成这个任务，我们需要通过因果学习里面的异质化因果效应评估也就是CATE来完成，而且还可以更进一步，路转粉的用户用哪种手段收益更高，优惠卷、打折、还是什么都不用给打个电话就可以了，这个也是可以学习出来，不同的用户可以有不同的策略，最后我们可以综合性的提高总体投入产出比了。这是一个很典型的YLearn的应用场景。

未来发展

接下来，最主要的是YLearn的不断迭代，从工具的成熟度、算法效率、以及最新算法的支持上不断完善。

将在这三个方面逐步展开：

1.Causal Machine Learning

通过因果学习的能力改善机器学习，解决机器学习遇到的一些问题，比如更高效的特征发现、特征工程。还有希望通过因果关系能够提高机器学习的鲁棒性、泛化能力和解释性。

2.Automated Causal Learning

自动化的因果学习工具包，更high-level的API接口，解决自动化调参和优化的问题。让因果学习更简单高效。

3.Decision Graph

决策图谱，能够把一个系统内的关键运营指标和可干预变量构建出一个基于因果关系的图谱，通过可视化的交互式的方式来推演各种决策动作对运营指标带来的影响。