用户运营如何通过搭建uplift模型精准发券

作为运营向用户定向发优惠券是不是经常面临这么两个困惑：

困惑一：大规模发券，营销成本很高，使用率很低
困惑二：优惠券使用率很高，优惠券带来增量业绩很小ROI低，导致这种情形往往是把券发给了那些活跃用户，这些用户即使不发券也会大概率下单。

我们通过实际案例来探讨一下如何解决这个问题

背景：针对流失用户发召回短信召回，假如流失池里100万用户，我们只有10万条短信预算，如何圈选这10万人做到利润最大化？

解决思路：

1、确定召回利益点券，假如发放满300减50券

2、随机选实验组和对照组各5000用户，实验组发券，对照组不发券

3、在一个转化周期内回收结果，标记使用和未使用

4、搭建uplift差分模型，分别用实验组和对照组搭建回归二分类响应模型

5、待营销用户输入模型计算uplift score，按uplift score降序圈选剩余9万用户发券

6、对比模型定向用户使用增益值，证明精准营销价值

首先，我们来介绍一下uplift模型原理

Uplift增益实验（Uplift Modeling）是一种用于估计个体干预增量（Individual Treatment Effect，ITE）的模型，即干预动作（treatment）对用户响应行为（response）产生的效果。Uplift增益实验的基本思想是，通过建立一个预测模型，来估计每个用户在干预