董彥燊：因果推斷在哈啰出行的實(shí)踐探索｜DataFunTalk

因果推斷在智能營(yíng)銷場(chǎng)景有著廣泛的應(yīng)用。在哈啰出行酒店?duì)I銷業(yè)務(wù)中，自研Tree-based因果推斷模型通過(guò)修改分裂準(zhǔn)則，使得模型目標(biāo)和業(yè)務(wù)目標(biāo)的一致性更高，在智能補(bǔ)貼模塊中取得了較好的效果。

本文的主要內(nèi)容包括：

• 背景介紹，簡(jiǎn)單介紹智能補(bǔ)貼及其中的一些問(wèn)題；
• 因果推斷的應(yīng)用，主要是Uplift建模，即增量預(yù)估；
• 因果推斷在哈啰智能補(bǔ)貼場(chǎng)景的應(yīng)用，包括一些創(chuàng)新；
• 問(wèn)題的思考和未來(lái)的規(guī)劃。

01
背景介紹

1. 天降紅包場(chǎng)景

哈啰出行的基本業(yè)務(wù)是兩輪共享出行業(yè)務(wù)，包括單車和助力車。同時(shí)，也有針對(duì)用戶需求而推出的服務(wù)和產(chǎn)品，例如酒店業(yè)務(wù)。

以酒店業(yè)務(wù)促銷為例，這一業(yè)務(wù)的目標(biāo)是使總效用最大化。想要提高總效用，通常會(huì)給用戶以發(fā)優(yōu)惠券的形式做補(bǔ)貼，從而促使用戶轉(zhuǎn)化。

2. 智能補(bǔ)貼

從用戶層面進(jìn)行下鉆分析。左圖按照經(jīng)典的營(yíng)銷人群四象限，從“是否發(fā)券”和“是否購(gòu)買”兩個(gè)維度，將用戶分為了四類人群。其中：

營(yíng)銷敏感人群指對(duì)價(jià)格比較敏感，沒(méi)有優(yōu)惠就不會(huì)購(gòu)買、有優(yōu)惠才會(huì)購(gòu)買的人群；

自然轉(zhuǎn)化人群是指無(wú)論是否有優(yōu)惠都會(huì)購(gòu)買的人群；

無(wú)動(dòng)于衷人群是指無(wú)論是否有優(yōu)惠都不會(huì)購(gòu)買的人群；

反作用人群是指沒(méi)有優(yōu)惠活動(dòng)觸達(dá)時(shí)會(huì)購(gòu)買，但有優(yōu)惠活動(dòng)觸達(dá)時(shí)反而不會(huì)購(gòu)買，對(duì)營(yíng)銷活動(dòng)比較反感的人群。

我們進(jìn)行補(bǔ)貼的目的通過(guò)發(fā)放優(yōu)惠券，促使本來(lái)不會(huì)購(gòu)買的用戶發(fā)生轉(zhuǎn)化，從而提高總效用，我們要做的就是提高補(bǔ)貼效率。顯然，我們的目標(biāo)人群是四象限中的營(yíng)銷敏感人群。

用戶對(duì)價(jià)格的接受程度是不一樣的，并且在用戶量龐大的情況下，是不可能給所有用戶都發(fā)放優(yōu)惠券的。

以往是依照運(yùn)營(yíng)的經(jīng)驗(yàn)，根據(jù)用戶的需求來(lái)制定發(fā)放策略。后來(lái)有了算法的介入，使用機(jī)器學(xué)習(xí)算法來(lái)預(yù)估用戶的購(gòu)買概率。最初使用的是CTR預(yù)估模型，也就是Response模型的相關(guān)性模型，雖然模型策略相對(duì)運(yùn)營(yíng)策略而言有一定的提升，但也存在一些問(wèn)題。

從具體case來(lái)看，左表中假設(shè)現(xiàn)在有兩個(gè)用戶。通過(guò)Response模型的預(yù)估，我們得到了在發(fā)券情況下兩個(gè)用戶的購(gòu)買概率，同時(shí)我們也知道他們?cè)诓话l(fā)券情況下的購(gòu)買概率?？梢钥吹?，發(fā)券之后兩個(gè)用戶的購(gòu)買概率都是提升的，并且用戶2的購(gòu)買概率（1.5%）要高于用戶1的購(gòu)買概率（1.3%）。如果按照這種結(jié)果，我們是否可以決策應(yīng)該給用戶2發(fā)放優(yōu)惠券？

前面我們也提到過(guò)，我們的目標(biāo)是提升補(bǔ)貼效用，所以需要再?gòu)男实慕嵌仍賮?lái)計(jì)算一下。右圖中，假設(shè)用戶1和用戶2各有一萬(wàn)人，商品的原價(jià)是10元，優(yōu)惠券的金額是2元，那么如何發(fā)券會(huì)使效率最大化呢？我們可以計(jì)算一下效率的期望。以總?cè)藬?shù)乘以購(gòu)買概率，再乘以價(jià)格，就可以得到如下的效率情況：

• 都不發(fā)券時(shí)，總效用是2200；
• 都發(fā)券時(shí)，總效用是2240；
• 用戶1不發(fā)券，用戶2發(fā)券時(shí)，總效用是2000；
• 用戶1發(fā)券，用戶2不發(fā)券時(shí)，總效用是2400。

若按照前述Response模型預(yù)估的結(jié)果進(jìn)行發(fā)券，即用戶1不發(fā)券，而用戶2發(fā)券，總效用只有2000，反而比都不發(fā)券時(shí)更低。這里是為了方便大家理解與結(jié)果相悖的發(fā)券策略舉了一個(gè)極端的例子，可以看出用Response模型的結(jié)果獲得的補(bǔ)貼效用并不是最大的。

我們?cè)賮?lái)看一下用戶1和用戶2在發(fā)券后的購(gòu)買概率變化的差值，也就是新增的這一列Uplift的值。可以看到發(fā)券后用戶1的購(gòu)買概率提升了0.5%，用戶2的購(gòu)買概率提升了0.1%，可以看出發(fā)券對(duì)用戶的影響效果大小是不一樣的。它可以預(yù)測(cè)用戶的購(gòu)買概率，但是它無(wú)法告訴我們用戶是否因?yàn)榘l(fā)放優(yōu)惠券而產(chǎn)生購(gòu)買，也就無(wú)法識(shí)別出營(yíng)銷敏感人群。

表格中顯示了Response模型和因果推斷的關(guān)系。從發(fā)券到購(gòu)買是有因果關(guān)系的，此時(shí)就要用到因果推斷技術(shù)。

相關(guān)性模型是基于觀測(cè)結(jié)果得到的，比如觀測(cè)到了什么、購(gòu)買概率是怎樣的，主要用應(yīng)用在搜索廣告推薦等場(chǎng)景。然而補(bǔ)貼場(chǎng)景中的發(fā)券動(dòng)作，可以看作是對(duì)用戶的一次干預(yù)行為，有無(wú)法觀測(cè)到的異常，我們稱之為反事實(shí)。也就是說(shuō)在有干預(yù)存在的情況下，相對(duì)于沒(méi)干預(yù)的情況下，它是什么情況？比如說(shuō)如果我當(dāng)時(shí)沒(méi)有給用戶發(fā)券，它的結(jié)果會(huì)是怎樣？這是因果推斷所研究的問(wèn)題。

在營(yíng)銷領(lǐng)域的應(yīng)用主要是增量預(yù)估，也就是我們所說(shuō)的Uplift建模，可以通過(guò)增量的大小來(lái)識(shí)別出營(yíng)銷敏感人群。

02
因果推斷

接下來(lái)我們看一下Uplift建模，這部分主要會(huì)講一些常用的建模方法，還包括一些離線評(píng)估的方法。

通過(guò)前面部分的介紹我們已經(jīng)知道相關(guān)性和因果性是不一樣的，我們這里再舉一個(gè)例子。在數(shù)據(jù)統(tǒng)計(jì)網(wǎng)站中有很多有趣的相關(guān)性的統(tǒng)計(jì)，其中有一個(gè)是尼古拉斯凱奇參演電影數(shù)量和當(dāng)年度泳池溺水身亡人數(shù)的相關(guān)性統(tǒng)計(jì)，這兩條曲線的重合度非常高，是不是可以得出結(jié)論——因?yàn)槟峁爬箘P奇演電影導(dǎo)致人溺水呢？顯然不是。還有很多這樣的例子，主要為了說(shuō)明相關(guān)性和因果性并不一樣的問(wèn)題。

1. 因果推斷

回到正題，Response模型和Uplift模型主要的區(qū)別可以用這兩個(gè)公式來(lái)描述。Response模型主要是預(yù)估用戶的購(gòu)買概率，Uplift模型主要預(yù)估因?yàn)槟撤N干預(yù)后用戶購(gòu)買的概率。因果推斷技術(shù)在營(yíng)銷場(chǎng)景的主要應(yīng)用，就是基于Uplift建模來(lái)預(yù)測(cè)營(yíng)銷干預(yù)帶來(lái)的增益。

2. 因果效應(yīng)

那么Uplift模型是如何做到增量預(yù)估的呢？我們?cè)谶@里介紹因果效應(yīng)的概念。假設(shè)有n個(gè)用戶，Yi1表示對(duì)用戶i進(jìn)行干預(yù)的結(jié)果，Yi0表示對(duì)用戶i無(wú)干預(yù)的結(jié)果，那么用戶i的因果效應(yīng)就可以表示為Yi1減Yi0。在我們的場(chǎng)景中，Y1和Y0就分別代表了發(fā)券和不發(fā)券。但是要注意的是存在反事實(shí)的問(wèn)題，因?yàn)閷?duì)同一個(gè)用戶，我們不可能既得到他發(fā)券的結(jié)果，又得到他不發(fā)券的結(jié)果。后面我們會(huì)講到反事實(shí)問(wèn)題目前的解決思路，Uplift建模的目標(biāo)因果效應(yīng)，也即應(yīng)用場(chǎng)景中發(fā)券帶來(lái)的增量收益。

3. Uplift建模方法

接下來(lái)介紹Uplift建模的常用方法。這里建模用到的數(shù)據(jù)都是包含有干預(yù)的數(shù)據(jù)和無(wú)干預(yù)的數(shù)據(jù)的。

T-Learner，其中T代表two的意思，也即用兩個(gè)模型。它的主要思想是對(duì)干預(yù)數(shù)據(jù)和無(wú)干預(yù)數(shù)據(jù)分別進(jìn)行建模，預(yù)估時(shí)數(shù)據(jù)進(jìn)入兩個(gè)模型，用兩個(gè)模型的預(yù)測(cè)結(jié)果做差值，來(lái)得到預(yù)估的增量。該方法的優(yōu)點(diǎn)是原理比較簡(jiǎn)單直觀，可以快速實(shí)現(xiàn)。但缺點(diǎn)是，因?yàn)閮蓚€(gè)模型的精度不一定非常高，所以兩個(gè)模型的誤差會(huì)有疊加，并且因?yàn)橛胁罘值牟僮?，這是間接計(jì)算的增量。

S-Learner，其中S代表single，也即用一個(gè)模型。它的主要思想是把干預(yù)作為特征輸入模型，在預(yù)測(cè)時(shí)，同樣是用有干預(yù)的結(jié)果和無(wú)干預(yù)的結(jié)果做差，得到預(yù)估增量。和Response模型比較像，就相當(dāng)于特征里面有“是否干預(yù)”這樣的特征，它的優(yōu)點(diǎn)是，相比T-Learner減少了誤差的累積，但缺點(diǎn)同樣是間接的計(jì)算增量。

X-Learner，它的思想是先分別對(duì)有干預(yù)、無(wú)干預(yù)數(shù)據(jù)進(jìn)行建模，再用兩個(gè)模型來(lái)交叉預(yù)測(cè)，得到干預(yù)數(shù)據(jù)和無(wú)干預(yù)數(shù)據(jù)分別的反事實(shí)結(jié)果。因?yàn)檫@是訓(xùn)練數(shù)據(jù)，它是有真實(shí)label的，再用真實(shí)label和剛才預(yù)測(cè)的反事實(shí)結(jié)果做差，得到增量；把增量再作為label，再針對(duì)增量進(jìn)行建模。同時(shí)對(duì)有無(wú)干預(yù)進(jìn)行建模，得到干預(yù)的傾向分，并在預(yù)測(cè)增量的時(shí)候引入傾向分權(quán)重。方法的優(yōu)點(diǎn)在于，可以對(duì)前面我們預(yù)測(cè)出來(lái)的增量建模時(shí)加入先驗(yàn)知識(shí)進(jìn)行優(yōu)化，來(lái)提高預(yù)測(cè)的準(zhǔn)確性，另外還引入了傾向分權(quán)重來(lái)減少預(yù)測(cè)的誤差。但它的缺點(diǎn)也是多模型的誤差，可能會(huì)有累積，并且歸根結(jié)底也是間接得到預(yù)測(cè)增量。

上面這幾種方法都是間接得到預(yù)測(cè)增量，當(dāng)然，也有直接對(duì)增量進(jìn)行建模的方法，比如基于決策樹(shù)的模型Tree-based Model。近幾年也有一些深度學(xué)習(xí)的方法，比如DragonNet。時(shí)間關(guān)系，這里不詳細(xì)介紹。

4. 評(píng)估方法

那么Uplift模型應(yīng)該如何評(píng)估呢？這里我們可以看到，因?yàn)橛蟹词聦?shí)問(wèn)題的存在，我們是沒(méi)有真實(shí)的增量標(biāo)簽的，傳統(tǒng)算法的評(píng)估方法，如AUC、準(zhǔn)確率、RMSE等都是依賴真實(shí)標(biāo)簽的評(píng)估方法，在該場(chǎng)景中無(wú)法使用。Uplift模型的離線評(píng)估使用的指標(biāo)是AUUC，它的含義是Uplift曲線下的面積。可以看一下右上角圖中藍(lán)色Uplift的曲線，AUUC的指標(biāo)對(duì)曲線做積分，求它曲線下的面積。問(wèn)題又來(lái)了，Uplift曲線是如何得到的呢？我們可以看一下公式。這里我還列了一下AUUC的計(jì)算流程，幫助大家理解。

第一步，測(cè)試集進(jìn)入模型，輸出Uplift Score；

第二步，所有測(cè)試樣本根據(jù)Uplift Score做降序排序；

第三步，進(jìn)行分桶，每個(gè)桶的序號(hào)記為t；

第四步，計(jì)算每個(gè)t的累計(jì)增益。其中，Y表示分組的正例的數(shù)量，T代表是有干預(yù)，C代表無(wú)干預(yù)，YT表示有干預(yù)組的正例的數(shù)量，再除以NT有干預(yù)組總的樣本數(shù)量。假設(shè)label是“是否轉(zhuǎn)化”，我們就可以看到Y(jié)T除以NT是干預(yù)組的轉(zhuǎn)化率。同樣，YC除以NC是無(wú)干預(yù)組的轉(zhuǎn)化率。可以看到公式左邊是干預(yù)組相對(duì)無(wú)干預(yù)組的轉(zhuǎn)化率的增量，右邊是樣本的總數(shù)量，公式計(jì)算了收益，也即干預(yù)組相對(duì)無(wú)干預(yù)組提升了多少轉(zhuǎn)化。

第五步，求積分，計(jì)算曲線下的面積。

Uplift Score 越準(zhǔn)，第一步對(duì)樣本的排序越準(zhǔn)，排序越靠前的桶實(shí)驗(yàn)組和對(duì)照組的指標(biāo)的差值會(huì)越大。這表現(xiàn)為曲線的拱形。所以AUUC相對(duì)越高，就說(shuō)明相對(duì)而言模型越好。

03
因果推斷在哈啰的應(yīng)用

接下來(lái)介紹一下因果推斷在哈啰是如何應(yīng)用的，主要是Tree-based模型。這部分會(huì)詳細(xì)講解Tree-based模型和一些創(chuàng)新應(yīng)用。還有離線和線上的效果的展示。

1. 紅包補(bǔ)貼

這部分應(yīng)用主要是在酒店?duì)I銷場(chǎng)景中的紅包補(bǔ)貼模塊，屬于整個(gè)算法鏈路中的一環(huán)。前面已經(jīng)提到過(guò)，我們的目標(biāo)是使補(bǔ)貼效用最大化。主要看的指標(biāo)是人均效用，即總效用除以人群的人數(shù)。

我們的模型是基于Tree-based的Uplift模型做了一些改進(jìn)。

2. Tree-based Model

我們把基于決策樹(shù)的Uplift模型和普通分類決策樹(shù)放在一起做個(gè)比較，這樣方便理解。

二者主要不同在分裂的準(zhǔn)則和目標(biāo)。普通的決策樹(shù)的分裂準(zhǔn)則是信息增益，這樣使得葉子節(jié)點(diǎn)的信息熵最少、類別的不確定性最小，以達(dá)到分類的目的；而基于決策樹(shù)的Uplift模型的分類準(zhǔn)則是分布散度，比如常用的有kl散度、卡方散度，這樣可以使葉子節(jié)點(diǎn)中干預(yù)組和無(wú)干預(yù)組的分布差異最大，來(lái)達(dá)到提升增益的目的。

從右邊的示意圖可以看出基于決策樹(shù)的Uplift的模型是如何做到區(qū)分營(yíng)銷敏感人群的，每個(gè)葉子節(jié)點(diǎn)的圖標(biāo)表示的是葉子節(jié)點(diǎn)中占絕大多數(shù)的人群。這樣我們就可以比較容易地區(qū)分出營(yíng)銷敏感人群。

那么我們?yōu)槭裁匆x擇基于決策樹(shù)的模型呢？主要有兩點(diǎn)考慮：

① 樹(shù)模型解釋性比較強(qiáng)，這點(diǎn)對(duì)業(yè)務(wù)的應(yīng)用比較有幫助。

② 直接對(duì)增量建模的準(zhǔn)確性更高，對(duì)業(yè)務(wù)的提升是我們最關(guān)心的事情。

接下來(lái)看一下我們是如何改進(jìn)基于樹(shù)的Uplift模型的，從而實(shí)現(xiàn)以增量收益最大化為目標(biāo)的Treelift模型。剛才已經(jīng)提到，樹(shù)模型最重要的點(diǎn)是分裂準(zhǔn)則和目標(biāo)的一致性。我們可以通過(guò)修改分裂準(zhǔn)則，來(lái)使得模型的目標(biāo)和業(yè)務(wù)目標(biāo)一致性更高。

目前業(yè)界主流的用法還是在用戶轉(zhuǎn)化上，也就是說(shuō)樣本的label為0或者1，因此就可以使用kl散度作為節(jié)點(diǎn)的分裂準(zhǔn)則。而我們的目標(biāo)是人均效用，用kl散度并不太合適，因?yàn)閗l散度是衡量概率分布的，因此我們改進(jìn)了分裂準(zhǔn)則來(lái)匹配業(yè)務(wù)目標(biāo)。

3. 以增量效用為目標(biāo)的TreeCausal

這里我們是以效用作為樣本的label，那么以干預(yù)組和無(wú)干預(yù)組的人均效用的差值的平方作為節(jié)點(diǎn)的分裂準(zhǔn)則，這里的目標(biāo)是最大化人均效用差值的平方。

算法流程：

第一步，假設(shè)分裂前的數(shù)據(jù)集為theta，那么計(jì)算分裂前發(fā)券組和無(wú)券組樣本人均效用的差異。這里我們效用的差異是這樣定義的。G是每一個(gè)用戶的label。我們對(duì)有干預(yù)組的每個(gè)人的效用做求和，再除以干預(yù)組的樣本數(shù)，得到人均效用，再減去無(wú)干預(yù)組。這個(gè)差值做平方，這樣可以計(jì)算出分裂前的效用差異。

第二步，根據(jù)某個(gè)特征f將數(shù)據(jù)集theta分成左右兩個(gè)子集theta1和theta2，計(jì)算分裂后的人均效用差異，可以看一下右邊的示意圖。如果特征的值等于f，就可以分到左子集，如果不等于f，可以得到右子集。接著對(duì)每一個(gè)子集都計(jì)算人均效用的差異，再根據(jù)每一個(gè)子集的樣本比例作為權(quán)重，加權(quán)求和，最終得到計(jì)算差異。

第三步，計(jì)算增益。分裂后的人均效用差異減去分裂前的人均效用差異，得到增益。

第四步，遍歷數(shù)據(jù)集theta中所有的特征值，重復(fù)進(jìn)行第二步、第三步，我們會(huì)得到很多對(duì)應(yīng)不同特征值的增益。我們?nèi)≡鲆孀畲髸r(shí)對(duì)應(yīng)的特征值，作為節(jié)點(diǎn)的分裂值，將數(shù)據(jù)集分為左子集和右子集。

第五步，遞歸調(diào)用，對(duì)左子集和右子集再重復(fù)上述步驟，生成Treelift模型。

4. 隨機(jī)試驗(yàn)

接下來(lái)是關(guān)于訓(xùn)練數(shù)據(jù)的。

前面我們提到過(guò)，由于反事實(shí)的存在，我們無(wú)法同時(shí)觀測(cè)到同一用戶發(fā)券和不發(fā)券的結(jié)果。那么如何讓模型學(xué)習(xí)到發(fā)券帶來(lái)的增益呢？如果說(shuō)我們站在人群的角度上來(lái)考慮群體增益，那么只要保證是否發(fā)券與用戶的特征相互獨(dú)立，就可以分析發(fā)券的群體相對(duì)不發(fā)券的群體帶來(lái)的增益。

這里很容易就可以想到，可以通過(guò)隨機(jī)實(shí)驗(yàn)來(lái)獲得滿足需求的數(shù)據(jù)，但隨機(jī)實(shí)驗(yàn)的成本比較高。當(dāng)然也還有一些其他的解決方法，比如說(shuō)傾向性得分的匹配，這也是目前研究比較多的點(diǎn)。但是根據(jù)需求考慮到，我們需要驗(yàn)證因果推斷方法的業(yè)務(wù)效果，最終還是選擇了小流量隨機(jī)實(shí)驗(yàn)來(lái)獲取符合要求的數(shù)據(jù)。如右圖所示，我們通過(guò)分流平臺(tái)做了兩次分流，第一次分流是切除隨機(jī)實(shí)驗(yàn)用的小流量，第二次分流則是隨機(jī)將用戶分到實(shí)驗(yàn)組（發(fā)券組）和對(duì)照組（不發(fā)券組）。

5. 實(shí)時(shí)決策

接下來(lái)是紅包補(bǔ)貼模塊的核心部分，分為離線和線上兩部分。

線上部分，依然是通過(guò)流量分配時(shí)請(qǐng)求進(jìn)入算法組、運(yùn)營(yíng)組或者是隨機(jī)補(bǔ)貼組。其中：

運(yùn)營(yíng)組是人工策略；

隨機(jī)補(bǔ)貼組是前面提到的小流量隨機(jī)實(shí)驗(yàn)，從小流量隨機(jī)實(shí)驗(yàn)得到的訓(xùn)練數(shù)據(jù)用來(lái)建模，可以得到Treelift模型，進(jìn)行一鍵評(píng)估，最后部署到線上；

算法組的流量由模型來(lái)決策發(fā)券。

模型的離線評(píng)估部分測(cè)試了不同的模型，最后得到的結(jié)果是我們經(jīng)過(guò)改進(jìn)后的Treelift模型的AUUC是最優(yōu)的?？梢钥匆幌掠疑辖遣煌Ｐ椭g的對(duì)比，我們對(duì)比了T-model、S-model，還有Treelift模型，以及我們?cè)谡齽t方面的一些嘗試的模型對(duì)比。從線上效果來(lái)看，Treelift模型相比人工策略有4.7%的提升，相對(duì)于我們之前用過(guò)的Response模型也有2.3%的提升。從結(jié)果來(lái)看，優(yōu)勢(shì)是非常明顯的，Uplift模型在智能補(bǔ)貼場(chǎng)景的應(yīng)用前景還是比較廣闊的。

以上是因果推斷技術(shù)在哈啰應(yīng)用案例的介紹，希望能給大家一些啟發(fā)。

04
未來(lái)規(guī)劃

最后是我在應(yīng)用過(guò)程中遇到的一些問(wèn)題和思考，以及未來(lái)的規(guī)劃。

首先是訓(xùn)練數(shù)據(jù)的問(wèn)題。前面我們也提到了，是通過(guò)小流量隨機(jī)實(shí)驗(yàn)來(lái)得到訓(xùn)練數(shù)據(jù)的，但是這種方法的成本確實(shí)很高。如何充分利用觀測(cè)數(shù)據(jù)是一個(gè)難題，我們也會(huì)去嘗試業(yè)界的先進(jìn)經(jīng)驗(yàn)，比如說(shuō)傾向性得分匹配法等。

另外是樹(shù)模型本身的問(wèn)題，訓(xùn)練速度偏慢。另外像剪枝、正則目前我們還沒(méi)有特別的優(yōu)化。這部分未來(lái)是也是可以深入研究的。目前已經(jīng)有了一些深度學(xué)習(xí)的方法，也是后續(xù)嘗試的方向。

業(yè)務(wù)方面，因?yàn)槲覀兪菍⒀a(bǔ)貼金額算到了樣本的label中，從而簡(jiǎn)化了成本問(wèn)題。但實(shí)際上很多場(chǎng)景中成本是需要單獨(dú)考慮的，因此券金額的分配也將是問(wèn)題。這里可以通過(guò)整數(shù)規(guī)劃來(lái)求解全局最優(yōu)，我們未來(lái)可以也會(huì)在其他的場(chǎng)景上進(jìn)行一些嘗試。

以上是我今天分享的所有內(nèi)容，主要希望通過(guò)我們的應(yīng)用案例給大家一些啟發(fā)。這是我們的技術(shù)公眾號(hào)，會(huì)不定期分享一些技術(shù)應(yīng)用，歡迎大家關(guān)注和交流。

05
提問(wèn)環(huán)節(jié)

問(wèn)題：為什么AUUC能反映反事實(shí)轉(zhuǎn)化效果？

我們可以看一下Uplift曲線是怎么計(jì)算的。首先它的變量是t，t是根據(jù)Uplift Score降序排序之后，進(jìn)行分桶得到的。以圖為例，0.2就代表20%，根據(jù)排序之后，我們?nèi)∏?0%的數(shù)據(jù)，取出來(lái)這樣的數(shù)據(jù)，來(lái)計(jì)算后面的公式。左邊因子這部分YT除以NT這一部分是代表的是實(shí)驗(yàn)組(發(fā)券組)的轉(zhuǎn)化率，YC除以NC代表的是對(duì)照組(不發(fā)券組)的轉(zhuǎn)化率，差值是發(fā)券相對(duì)不發(fā)券帶來(lái)的轉(zhuǎn)化率的提升的幅度差值，再乘上總的樣本數(shù)量，就比較清楚了。假設(shè)所有人都發(fā)券，和所有人都不發(fā)券相比，額外提升的幅度就是對(duì)于增量的預(yù)估。

今天的分享就到這里，謝謝大家。