因果推断在金融客户营销领域的应用

因果推断在金融用户运营领域的应用

典型场景

• 程序化广告：成本逐年提高。
• 电销业务：解决触达、名单分配等问题。
• 用户会员体系：提升用户体验，提高留存。

面临的挑战

数据挑战

• 转化周期长：触达3天，活动7天，整个转化周期可能是30天。
• 关键特征未发现：存在未发现的混杂因素（confounders），尤其是在站外运营中。
• 随机样本少：缺乏成熟的样本体系。
• 多种干预叠加：用户可能在同一天被多种营销动作命中。

来自业务的挑战

• 运营策略的创新：市场竞争激烈，运营策略变化加快。
• 营销方式的转变：从传统的短信、邮件、电话转向push、公众号、微博、AI语音等。

业务实践

常见问题

• 是否存在反作用（sleeping dogs）：如何避免影响用户体验和业务数据。
• 离线指标：达到多少才能上线。
• 营销敏感自然转化：自然转化是否受到影响。

实验方案

• 实验分组：触达比例测试组40%，随机组40%。
• 实验收益：
  • 测试组 vs 随机组：delta业务效果。
  • 随机组触达 vs 随机组未触达：评估增益上限。
  • 测试组 vs 随机组触达：确认是否存在反作用。
• 样本数据回收：积累因果模型样本数据。
• 模型优化：智能营销数据分析，干预映射，样本加权。

Confounders

• 定义：自变量X与因变量Y存在共同原因Z。
• 策略旅程：减少其他模型的影响，提前计算其他策略的影响，融入干预特征。

技术大图

• 全链路赋能：广告投放、活跃授信用户、运营转化、老带新。
• 目标：降低注册成本、提高次留、提升ROI、提升在贷余额、用户增长。

非常感谢您的观看。