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