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。
