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”。
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。
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。
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。
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
