快捷搜索:  汽车  科技

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)在特征可解释方面,大家最常问的是“圈选人群的结果”以及“推荐的结果”背后的特征因素是什么,除了这类大家经常用的特征重要性外,我们也形成了一套集成式的解程方法,包括特征变量和预测值这些已经可用的方案。5. 特征可解释模型可解释已经在探索中,就像下方右图也有研究paper论文专门提出一系列的综合的可解释方法,但从业务需求来看,由于我们站在增长角度,贴近业务去思考,在业务本身的可解释方面,这种洞察需求会更高一些,我们也构建了相应的支持模板、支持方案(下方左图),对业务解释能快速见到效果。从技术上来讲,我们把它分成数据可解释、特征可解释和模型可解释三块。4. 数据可解释数据可解释,就是数据层面,希望快速地通过数据本身体现出来的信息,发现数据背后的有效性、异常性,以及其他因素。这里要用多层次数据本身的一些加工研究的算法方法,快速地发现、探索背的地因素是什么,一个异常值产生的原因是什么。

2. 增长因果推断

围绕营销策略以及增长路径,面对归因需求,我们也建立了一些可解释的方法,增长因果推断,在补充AB实验的基础上,通过观察的因果方法,比如倾向抑制因果效应模型等。这些因果推断模型的应用,可以帮助运营了解“为什么这些用户会转化、转化背后的因素是什么、下一次营销策略或增长路径如何调整会更优”。

金融营销具有特点(金融场景下增长营销的应用与思考)(1)

3. 可解释框架

可解释性,无论从技术方面还是业务需求方面,都存在很大的挑战点,我们通过实验及经验,把它划分为“业务的可解释”和“技术可解释”两大块。在机器学习模型本身,

模型可解释已经在探索中,就像下方右图也有研究paper论文专门提出一系列的综合的可解释方法,但从业务需求来看,由于我们站在增长角度,贴近业务去思考,在业务本身的可解释方面,这种洞察需求会更高一些,我们也构建了相应的支持模板、支持方案(下方左图),对业务解释能快速见到效果。从技术上来讲,我们把它分成数据可解释、特征可解释和模型可解释三块。

金融营销具有特点(金融场景下增长营销的应用与思考)(2)

4. 数据可解释

数据可解释,就是数据层面,希望快速地通过数据本身体现出来的信息,发现数据背后的有效性、异常性,以及其他因素。这里要用多层次数据本身的一些加工研究的算法方法,快速地发现、探索背的地因素是什么,一个异常值产生的原因是什么。

5. 特征可解释

在特征可解释方面,大家最常问的是“圈选人群的结果”以及“推荐的结果”背后的特征因素是什么,除了这类大家经常用的特征重要性外,我们也形成了一套集成式的解程方法,包括特征变量和预测值这些已经可用的方案。

金融营销具有特点(金融场景下增长营销的应用与思考)(3)

6. 模型可解释

对于深度模型,可解释的难度较大,我们针对深度模型提了一个分层解释方案,我们自己称为“局部聚类的解释方法”,就是分层的对每一层的神经元,来看这一层的神经元做了怎样的决策,那其实这个方案的目的,就是来解释每一层的神经元到底在做怎样的决策信息。我们假设从原始的样本空间到每一层之后,都会进行样本空间的转换,那从先转换的一层的样本空间看,正样本和负样本各自的情况怎样,在正负样本之间,我们用透明化的、容易解释的模型进行一个区分,最后来看每一层的神经网络做了怎样的决策信息。这样更好地理解模型本身,怎么将特征和用户的结果进行了有效的匹配和输出,但图例是以简单的三层神经网络举例,事实上各种复杂的深度神经网络都可做类似工作,进行分层聚类的解释,这也是我们在深度模型可解释方面的一点经验。

金融营销具有特点(金融场景下增长营销的应用与思考)(4)

结语:以上是我们在实践当中,围绕业务的增长营销,构建的一系列的方法,这个过程中可能还有很多不足和值得改进的地方,后续欢迎大家多多交流和探讨。

--

06

问答环节

Q1:金融场景非常多,有很多不同的增长模型、实施方案,从您的经验来说,根据不同的场景或不同要求,如何选择增长模型或者增长思路?

A1:这其实是一个很关键的问题,在增长方法上没有好与差,其实增长方法是在结合各具体落地场景中总结出来的,我们在应用过程中也发现,不同的业务在不同的阶段可能要选择不同的适合的增长方法,有些业务就像我们前面举例的那三个比较典型的增长方式:在获客初期,大家更多要用以获客为主的增长方法,在存量时代,大家考虑更多怎么做好留存,做好活跃;站在可持续发展的角度,最后都希望组建可迭代的能形成复利的证明可持续的增长飞轮。

所以,方法要看业务和场景的具体情况,包括一个业务下不同的场景也不一样,有些场景以拉新为主,有些场景以留存为主,还有一些以持续陪伴为主,需要 case by case

以更适合的方式应用和实施。

Q2:在金融场景中有很多算法或策略落地,这些策略的叠加会不会有1 1小于2的效果?不同的策略融合叠加时,如何产生更好的效果?

A2:会出现这种情况,策略之间会存在交叉因素,也会形成相互影响,我们期待1 1至少要大于等于2,这是我们的理想目标,实际落地执行中,存在相互交叠的部分,也就可能不大于2,就1 1为1点几也有可能,当然也会存在相互拉扯,相互影响背后的原因,我们分析后认为和目标策略设计有关,尤其是“目标的拆解”和“策略的拆解”上面,有更多优化的空间,制定更加匹配的目标和对应的策略,只要度量的指标是科学的,这种问题就可大概率规避,但是不能完全消除。


今天的分享就到这里,谢谢大家。

阅读更多技术干货文章、下载讲师PPT,

请关注微信公众号“DataFunSummit”。


分享嘉宾:陈亮博士 腾讯 专家研究员

编辑整理:沈江涛 安徽征信

出品平台:DataFunTalk


01/分享嘉宾

金融营销具有特点(金融场景下增长营销的应用与思考)(5)

猜您喜欢: