本文介绍了Uplift模型如何帮助解决精准营销问题，通过建模预测找到营销敏感用户，提升整体营销ROI。文章讲解了Uplift模型的基本概念、建模方法（Two-Learner、Single-Learner、Class Transformation Method）以及模型评估，强调其在智能营销中的应用价值。
随着互联网和人工智能的普及化，个性化营销已经渗透到了我们生活中的方方面面。而如何找到真正的营销敏感人群，将更多的预算投入到可以带来‘增量’的用户上，以提升整体营销roi，成为了后时代精细化运营的关键。
uplift模型可以很好的解决这一问题，本文将介绍此模型以及其如何应用于智能营销的底层原理。
01
什么是Uplift模型？
用一个简单的例子来介绍此模型。假设我们是个电商平台，一件标价300元的商品，用户的购买率为6%。现有一批预算可以给用户发放10元的优惠券以提升用户购买率。需要给每个用户都发放优惠券吗？答案显然是否定，那么这批优惠券应该发送给平台的哪些用户呢？
此时我们脑海中有四类用户：
Persuadables：不发送优惠券则不买，发送优惠券则购买；
Sure things：不论是否发送优惠券均会购买；
Lost causes: 不论是否发送优惠券均不会购买；
Sleeping Dogs: 不发送优惠券会购买，发送优惠券反而不买；
左上的Persuadables(说服型)类用户被发券后产生了正向变
最低0.47元/天 解锁文章
扫一扫
849
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
