9-4 电商场景下的有效干预策略实践.pdf

《9-4 电商场景下的有效干预策略实践.pdf》由会员分享，可在线阅读，更多相关《9-4 电商场景下的有效干预策略实践.pdf（14页珍藏版）》请在三个皮匠报告上搜索。

1、电商场景下的有效预策略实践吴梓华 淘宝户增 数据科学|03预因增量的衡量基于观察数据估算户的增量录 CONTENT|01如何满户的需求平台能与户需求的匹配02复购货品的筛选与时机预测复购策略04对ITE的预测个体预增量的预估如何满户的需求01平台能与户需求的匹配|如何满户的需求平台能与户需求的匹配1.增量运营：了解户的需要，改进/创造产品进满2.2.增效运营增效运营：基于平台能够提供的能，寻找需要的户策略=预段+标户|户推动平台平台预户淘宝辈版复购策略02复购货品的筛选与时机预测|如果提升户的复购率复购货品的筛选与时机预测的：在合适的时机透出合适的商品1.复购可能性：是否会进复购2.复购时机：

2、在什么时候进复购1.商品复购可能性2.复购时机：利群的购买间隔推断出商品复购时间的分布规律平均购买间隔分布常分布拟合找到购买间隔时间与购买概率的映射关系3.个体信息的利购买次数超过N次的户：认为户的交易次数服从交易率为的泊松分布，的概率密度服从gamma分布。通过Poisson-Gamma Distribution拟合个体的购买间隔分布。|如果提升户的复购率最终结果表1.群圈选：筛选有复购可能的户进场2.货品召回：圈选复购货品底池+精排加权+在种草、成交类指标均有显著效果|复购策略的实践与应预因增量的衡量03基于观察数据估算户的增量|通过PSM+双重差分估算户为的增量标：希望了解户进某种为（访

3、问场景）是否能提升其未来的来访率基于相关性消除混淆变量待计算值：被预的户的平均预效果，即ATT（average treatment effect on the treated）整体思想：通过PSM构建虚拟的同质对照组1.特征构建：同时影响treatment与outcome的特征2.倾向得分计算：预测受到treatment的概率3.匹配：Caliper NN Matching+精确匹配4.检验匹配质量：标准化偏差（数值）+平趋势假设（图示）增量计算：通过双重差分法对前后差值注：计算段时间内的均值避免波动扰|应：计算群在浏览不同场景后的访问增量结果数据：不同群在访问不同场景后的淘访问率增量策略测：

4、在场景引导场景引导预预中，针对不同群我们会参考以下信息1.场景偏好：群对场景的访问TGI2.场景承接效率：群在不同场景中的全引导成交率3.留存增量：访问后来访率增量+引导成功率|下钻分析1.来访的增量具体体现在什么样的场景：e.g.访问淘宝直播后对达访问增加2.场景访问会对类的购买有什么样的影响：e.g.访问地主后对票类的成交率下降人群异质性HTE问题：1.1.混淆变量不完整混淆变量不完整：通过敏感性分析（增减变量/纳不确定性对增量进区间估计）2.2.结果有偏结果有偏（撑集，ATT vs.ATE）个体预增量的预估04对ITE的预测|群精细化运营|群粗分层 群适的策略 策略提炼 策略群圈选 实验银发群场景引流偏好/增量群通过Uplift Model对户的ITE进预测|流程：1.随机实验收集数据（具代表性）/观察性数据先做matching2.2.特征筛选（特征筛选（BinBin-BasedBased FilterFilter MethodMethod）：特征分箱，计算分箱内outcome的分布散度并求和3.建模：S/T/X-Learner，UpliftRF，TarNet4.基于累计增益图/预算确定阈值（群量级）5.效果回收：空桶、随机发放桶、算法排序桶非常感谢您的观看|