ユーザーオペレーションは、アップリフトモデルを構築することで、どのように正確にクーポンを発行できるのでしょうか?

クーポンの発行は精密なマーケティングプロセスです。アップリフト モデルを使用してユーザーの利益または収益を計算すると、増分値を最大化し、盲目的にクーポンを発行することを避けることができます。

オペレーターとして、ユーザーにクーポンを送信するときに、次のような 2 つの混乱に直面することがよくありますか?

混乱 1: 大規模なクーポン発行はマーケティングコストの上昇と利用率の低下につながります。混乱 2: クーポンの使用率は非常に高いのですが、クーポンによってもたらされるパフォーマンスの増分は非常に小さく、ROI は低いです。このような状況は、クーポンが発行されなくても注文する可能性が高いアクティブユーザーにクーポンを発行することによって発生することがよくあります。

実際の事例を通して、この問題をどのように解決するかを検討してみましょう。

背景: 失われたユーザーを呼び戻すためにリコール SMS を送信します。失われたプールに 100 万人のユーザーがいて、予算が 10 万件の SMS メッセージしかない場合、利益を最大化するためにこれらの 10 万人のユーザーをどのように選択すればよいでしょうか。

解決：

1. 関心ポイントの想起を決定します。 300ポイント以上でクーポンを発行した場合は50ポイント差し引かれます。

2. 実験グループとコントロールグループに 5,000 人のユーザーをランダムに選択します。実験グループにはクーポンが配布されますが、対照グループにはクーポンは配布されません。

3. コンバージョンサイクル内で結果をリサイクルし、使用済みと未使用の結果をマークする

4. 上昇差分モデルを構築し、実験グループと対照グループを使用して回帰バイナリ応答モデルを構築する

5. マーケティングユーザーをモデルに入力してアップリフトスコアを計算し、残りの90,000人のユーザーをアップリフトスコアの降順で選択してクーポンを発行します。

6. モデルのターゲットユーザーの使用率増加値を比較して、精密マーケティングの価値を証明する

1. まず、アップリフトモデルの原理を紹介しましょう

アップリフト モデリングは、個別治療効果 (ITE)、つまり介入アクション (治療) がユーザーの応答行動 (応答) に与える影響を推定するために使用されるモデルです。 Uplift 実験の基本的な考え方は、予測モデルを確立して介入の有無による各ユーザーの応答確率を推定し、その 2 つの差、つまりゲイン値を計算することです。

原理的なロジックは非常に単純です。簡単に言えば、クーポン発行ありとなしの2つの状況下でユーザーの再購入率を予測することです。その差が介入のゲイン値です。この操作により、クーポンが発行されなくても戻ってくるユーザーを排除できます。

第二に、オペレーションの学生はこのような予測モデルを構築できるでしょうか?

多くの企業が直面している問題は、エンジニアのグループがいわゆるビッグデータ モデルの研究に没頭しているものの、このグループがビジネスから切り離されていることです。予測モデルの本質は、ユーザー機能エンジニアリングがユーザーの希望を効果的に表現できるかどうかです。エンジニアが考えられるユーザーの特徴は、アプリを開いた回数、閲覧時間、閲覧したページ数など、ユーザーの閲覧行動に他なりません。カートに追加、お気に入り、購入、消費頻度、消費間隔などのユーザーの購買行動。これらの機能はユーザーの購買行動を効果的に予測できますか?明らかにそうではありません。

例えば、このデータモデリングのセット

これらの浅いユーザー行動データのみに基づいたモデリングでは、純粋に推測的な結果しか生成されません。データ ロジックの観点から見ると、ユーザーが収集してカートに追加するアイテムが多ければ多いほど、ユーザーが購入する可能性が高くなります。しかし、ユーザーの現実世界の観点から見ると、ユーザーが購入するかどうかは、競合プラットフォームでの価格比較やユーザーの気分が良いかどうかなど、複数の要因によって左右されます。これらの特性は、まさにビジネスとユーザーに最も近いオペレーションの学生が探求する必要があるものです。

多くのオペレーションズ専攻の学生には、データのマイニングやモデリングを行う能力がないと私は考えています。この記事の目的は、運用学生がツールを使用してビッグデータマイニングとモデリングを実装し、自身の価値をさらに高める方法を簡単に紹介することです。

2. モデルの実際の構築を見てみましょう

ステップ1: ユーザー機能エンジニアリング

ユーザーの閲覧行動、消費行動、嗜好行動の特性に加えて、消費間隔期間の傾向、消費カテゴリの数、消費量など、ユーザーの傾向行動を探ることがより重要です。ユーザーの消費カテゴリが多様から単一に変化したり、消費者の単価の分布が低から高へ、または高から低へ変化したり、消費頻度が安定からランダムへ、またはランダムから安定へ変化したりした場合、これらはすべてユーザーの次の消費行動を予測できます。

たとえば、eコマースプラットフォーム上のユーザーは、前回の消費サイクルで3Cデジタル製品、生鮮食品、日用品などの商品を消費しました。このサイクルでは、消費カテゴリは 3C のみです。さらに、全体の平均注文額は数百から数千に増加し、再購入サイクルの傾向は 30 日から 60 日に増加しました。このユーザーが生鮮食品を今後も購入し続ける確率はどれくらいでしょうか?

ユーザーの行動傾向をマイニングし、AB 実験の応答データと組み合わせることで、予測モデルを構築できます。

ステップ2: 回帰応答モデルを構築する

Uplift は、戦略グループとコントロール グループのそれぞれに対して応答モデルを構築する必要があります。最後に、ターゲット ユーザーがそれぞれ 2 つのモデルを入力して、アップリフト スコアを計算します。

分析マイニングツールの助けを借りて、上記のデータフローを構築し、ユーザーは介入条件と非介入条件での応答率を計算します。

まず、モデルの予測精度を見てみましょう。

モデリング データの 70% はトレーニングに使用され、30% はテストに使用されます。トレーニング セットの予測精度は 79.53% で、AUC 値は 0.848 に達します。テストセットの予測精度は69.7%、AUC値は0.744です。モデルの予測性能は許容範囲内です。

ステップ3: クーポンを正確に発行する方法

アップリフト応答モデルは、応答グラフ、ゲイン グラフ、利益グラフなど、いくつかの種類の予測グラフを生成するのに役立ちます。これらのグラフを使用して、クーポンのマーケティング アクションをガイドできます。

1) レスポンスグラフの結果に基づいてクーポンを発行するユーザーを選択する

応答グラフには、さまざまなパーセンタイルのユーザー間の実際の応答 (クーポンの使用など) の割合が表示されます。クーポン キャンペーンでは、応答グラフによって、各パーセンタイル グループのユーザーの何パーセントが実際にクーポンを使用したかを表示できます。

上記の累積応答グラフによると、曲線は 100% 近くから徐々に減少し、最終的に 50% の水平線に向かっていることがわかります。これは、グラフの左側ではモデルが非常に高い応答率を予測し、右側に移動すると（つまり、より多くのユーザーをカバーすると）、応答率が徐々に低下することを示しています。クーポンを発行するユーザーの数を決定するには、いくつかの要素を考慮する必要があります。

1. 全体の応答率: クーポンに応答したすべてのユーザーの平均割合です。応答グラフでは、この値は 50% として表示されます。
2. 目標応答率: クーポンを発行することで達成したい最小応答率。これは通常、全体の応答率よりも高くなります。
3. コストと利益: クーポンを発行する際のコストと予想される利益。コストを許容範囲内に抑えながら利益を最大化するバランスを見つける必要があります。累積応答プロットでは、応答率が目標応答率を満たすポイントを見つけることができます。グラフの左側から始めて、曲線に沿って右に移動し、目標応答率と同等かわずかに上回る応答率のポイントを見つけます。この点に対応するパーセンタイルが、クーポンを発行する必要があるユーザーの数です。たとえば、目標応答率が 70% の場合、応答率が 70% になる曲線上の点を見つける必要があります。この点に対応するパーセンタイルが 20% であると仮定すると、上位 20% のユーザーにクーポンを発行する必要があることを意味します。

2) ゲイングラフに基づいてクーポンを発行する

ゲイン プロットは、ランダム選択と比較したモデル予測応答の相対ゲインを示します。クーポン キャンペーンでは、ゲイン グラフによって、特定のパーセンタイルのユーザーの間でクーポンによる追加の売上増加を示すことができます。

図ではゲイン値が 1.5914 であり、これは一般的にモデル予測効果がランダム選択よりも 1.5​​914 倍優れていることを意味します。具体的には、ランダムに選択された応答率が固定値の場合、モデルによって予測される応答率はこの固定値の 1.5914 倍になります。このゲイン値は、特にマーケティング キャンペーンで、どの顧客グループがプロモーションに最も反応する可能性が高いかを判断する際に、特定のパーセンタイルにおける予測モデルのパフォーマンスを評価するためによく使用されます。実際のアプリケーションでは、ゲイン値が 1 より大きい場合、モデルの予測能力がランダム選択よりも優れていることを意味します。ゲイン グラフでは、パーセンタイル 46 のゲイン値 1.5914 は、モデルによって最も応答する可能性が高いと予測された最初の 46% のユーザーのうち、応答率がランダムに選択されたユーザーの応答率の 1.5914 倍であることを示しています。これは比較的高い改善であり、このパーセンタイルでのモデルの予測が有効であることを示しています。

3) 利益グラフに基づいてクーポンを発行する

利益グラフには、さまざまなパーセンタイルのユーザーがクーポンを使用することで得た合計利益が表示されます。クーポンキャンペーンの場合、利益グラフは、さまざまなユーザー グループ間でクーポンを配布することによる全体的な財務上の利益を評価するのに役立ちます。

パラメータ設定は次のとおりです。

• 費用：クーポン1枚あたりの発行費用は5元です。
• 収益：成功したレスポンス（クーポンを使用した顧客）ごとの収益は10元です。
• 幅: 幅は 1% に設定されており、利益グラフ上の各データ ポイントはユーザー人口の 1% を表します。

これにより、ユーザー数が 1% 増加するごとに利益がどのように変化するかを詳細に把握できます。パーセンタイル 46%、利益 630: 図では、対象ユーザーグループのパーセンタイルが 46% に達すると、累積利益は 630 元に達します。これは、モデルによって予測された順序で最も反応する可能性の高い最初の 46% のユーザーにクーポンを配布した場合、予想される総利益は 630 元になることを意味します。

著者: 趙文彪、WeChat 公開アカウント: ユーザー操作観察 (ID: yunyingguancha)