金融营销具有特点(金融场景下增长营销的应用与思考)
金融营销具有特点(金融场景下增长营销的应用与思考)在金融场景下特别是金融领域,这种变化特别快速,只用传统模型或者多目标模型,还是存在不及时或不能有效挖掘相应信息的问题及种种bad case,所以,在市场行情变化很快的情况下,用户和物品的交互结构变化也很大的情况下,在图模型基础上改造了一个动态图模型,在原先这种图模型里采样环节、聚合环节和更新环节不适应的地方,进行相应的优化。这样做,金融场景动态变化的目标,在模型中得到很好的体现以及目标达成。5. 动态图模型捕捉金融场景的持续变化4. 客群模型迭代我们在方案探索过程中,其实有几个阶段,最早使用多个模型分阶段圈选,其实缺点很明显,就是效果不突出,圈选的量级达不到业务需要;后一个阶段,就使用集联的方式,两个模型的目标能够进行融合打分,但很多时候模型结果和预测的目标存在不一致的情况,两个模型目标不一定能达成共同协作;后来,我们也和业内一些先进方案做了交叉,一方面使用多任务学习进行多目标模型训练,同
2. 面向客群营销的圈选方法
我们所谈论的分层,是围绕策略进行开发设计,以及在策略落地的过程中,支持用户体验的逐步提升,这里的方法,除了传统的基于标签的、基于 dsp 和 dmp 结合的方法之外,更多的在用包括深度模型在内的图模型与图学习融合、注意力机制融合的各种模型方案。
3. 客群圈选模型
客群圈选模型,我们也采取了融合方案,包括对面向营销目标的客群圈选,一方面要支持业务客群的快速扩散,这里地业务本身已有高质量的用户群,除此之外,也会做更精准的客群定向,这就要融入前面所说的各种模型,包括基于相似度、基于深度的,结合注意力机制,结合图学习的方法,最终形成可互补式的客群圈选方案。
4. 客群模型迭代
我们在方案探索过程中,其实有几个阶段,最早使用多个模型分阶段圈选,其实缺点很明显,就是效果不突出,圈选的量级达不到业务需要;后一个阶段,就使用集联的方式,两个模型的目标能够进行融合打分,但很多时候模型结果和预测的目标存在不一致的情况,两个模型目标不一定能达成共同协作;后来,我们也和业内一些先进方案做了交叉,一方面使用多任务学习进行多目标模型训练,同时加入图和序列的信息在模型当中,构建多目标的图模型。
在这过程中,我们把之前需要人为设定权重的问题比较好地解决掉了,即按自适应的方式,把客群按照业务的多个目标有效地圈选,并且达成营销增长效果的实现。
5. 动态图模型捕捉金融场景的持续变化
在金融场景下特别是金融领域,这种变化特别快速,只用传统模型或者多目标模型,还是存在不及时或不能有效挖掘相应信息的问题及种种bad case,所以,在市场行情变化很快的情况下,用户和物品的交互结构变化也很大的情况下,在图模型基础上改造了一个动态图模型,在原先这种图模型里采样环节、聚合环节和更新环节不适应的地方,进行相应的优化。这样做,金融场景动态变化的目标,在模型中得到很好的体现以及目标达成。
6. 营销资源运筹分配
除了把用户尽可能圈准之外,营销本身是一个供给侧因素更强的场景,怎样把营销资源有效分配下去,成为重点问题。举例而言,如果只有两类资产,怎样给到不同的用户或者用哪些营销资源给到不同用户,背后都有资产本身的约束,资产不是无限量供应,同时营销资源也不可能无限提供,这时,就是一个待约束的运筹分配问题。
20
04
LTV增长
正如前面所言,在营销增长方面,与广告推荐和传统推荐不同之处,更核心的点就在
用户LTV的长期增长上面。传统营销或单触点广告营销,大家更关注即时交互,希望能即时转化,而在围绕产品和服务,持续给用户带来价值的增长过程,事实上是和用户多次交互,甚至是全生命周期的全链路交互,这种交互不单看即时转化,考虑更多的就是多状态全链路营销如何转化。我们和业内都有共同的一些思考,它可以构建成一个用户状态的持续的动态的变化,在数学上可把它刻画成马尔可夫决策过程,如何分阶段通过多模型逐步地优化,最终要考虑全链路综合优化这个需求,把单点优化和全局优化结合在一起,这时候才形成增长策略,才是全局的联合优化的最优解。
更大的挑战是:我们构建相应的模型和算法,是希望用户体验最优的情况下,平台的价值也能发挥出来,最终形成长期的可持续的增长模型和算法体系的支撑,这也是一个非常值得探索的大方向。
--
05
营销归因
1. 营销归因
除了前面介绍的围绕客群、围绕全生命周期的持续化营销增长支持以外,营销增长另一大需求就是运营、产品、数据同学经常希望解答的因果问题,因果其实是有价值的,就是理解这些用户“如何被转化”“为什么被转化”“为什么没被转化”最后推导出下一次构建怎样的营销方法,让它转化得更好,服务得更好,体验更优。
传统的一些方法是归因分析的方法,包括 5 w 2 h 等,以及一些归因模型、归因方式的选择。这些年大家更多通过AB实验来判断,对于金融场景,AB实验的挑战是有时成本太高。那么,因果推断能够作为一个补充,发挥不少价值。