基于因果推断的智能经营模型体系-李东晨.pdf

《基于因果推断的智能经营模型体系-李东晨.pdf》由会员分享，可在线阅读，更多相关《基于因果推断的智能经营模型体系-李东晨.pdf（20页珍藏版）》请在三个皮匠报告上搜索。

1、基于因果推断的智能经营模型体系度满/李东晨删除水印WondersharePDFelement信贷经营框架介绍信贷经营环节及重点模型传统信贷经营体系：v1.0时代智能信贷经营体系：v2.0时代信贷经营环节及重点模型信贷客户经营的工作，从用户授信成功后直到流失整个生命周期都有覆盖，主要分三个方向：1.Offer优化：在控制风险的前提下，为不同用户匹配最适合的Offer，达到盈利最优目标2.效率优化：在控制成本的前提下，为不同用户匹配最适合的权益(优惠券)，达到效率最优目标3.用户留存：判断用户流失风险，并对用户的流失原因做归因分析，有针对性运营，提升整体留存率传统信贷经营体系：v1.0时代1.【维

2、度有限】：仅依赖人工能组合的能力上线有限，客户经营个性化程度也有限2.【经营目标】：不同经营手段的目标较难统一，不同经营抓手的目标甚至会互相干扰3.【经营效率】：细分模块需要投入大量人力，且依赖人工很难准确预测决策前后的业务增量局限性目标客户识别结果观测人工策略配置风险评级偿还能力资质评级收入：个人收入、经营收入负债：消费贷、车房贷偿债能力：收入-负债企业资质：年限、经营状况资产稳定性竞品情况个人风险分层客户需求需求评级核心优化点架构设计智能信贷经营体系：v2.0时代数据维度超高维度特征自动化收集和处理：特征维度高达几十万维以客户长期生命价值（LTV）为统一优化目标目标统一MDP迭代：离线训练

3、模型，离线优化求解 线上A/B实验 客户行为反馈收集 模型优化迭代自动迭代20%+经营效率 在日趋成熟的个人信贷赛道，经营效率是企业的核心竞争力之一 一个好的经营体系可以使经营效率提升20%以上WHYWhy&How？智能信贷经营体系的核心就是要搭建一套以因果推断为基础，以客户全生命周期价值(LTV)为优化目标的的模型体系 通过模型准确预测决策增量，精准提效HOW传统机器学习因果推断基于因果推断的经营框架介绍企业决策的核困惑：相关关系 vs.因果关系如何通过因果推荐技术提升经营效率因果关系 vs.相关关系业务问题什么是关联关系？什么是因果关系？以往解决方案机器学习-关联建模传统机器学习关联建模，

4、虽可以找到关联关系，但无法用于决策业务场景经营决策优化信贷经营存在大量复杂决策场景和复杂数据，决策归因、优化难 什么是导致决策最优的决策因子？做什么经营动作可以支持策略最优？我们观测到的变量本身之间未必有直接的因果关系，背后是由一些因果因素产生出来。那真正可以影响结果的因果关系是什么？什么是影响决策的真正有效变量？辛普森悖论：总体数据的统计相关性，可能与部分数据的统计相关性相反为什么决策场景需要使用因果推断，传统机器学习的问题在哪？因果学习 vs.机器学习原价借款降价万0.5借款uplift增量用户 11万2万1.0万用户 21.5万2万0.5万问：假设只有一次降价机会，应该将优惠给谁？l机器

5、学习的本质：机器学习拟合的是从历史数据上观测到的相关关系，但基于相关关系的拟合是不可靠的，甚至很多时候是伪相关l企业需求：支持决策，不仅仅是预测l传统机器学习模型：用高维相关特征对预测目标做拟合问题：无法建模实验前后对业务目标带来的增益X:用户特征Y:预测目标T:决策变量X:用户特征Y:预测目标相关性l因果推断模型：拆分因变量T(例如是否发券)和协变量X(用户特征)构建不同用户在不同实验下产生不同行为的因果模型机器学习因果学习企业决策的核任务总结决策目标最优l在有限的资源投入下，达到目标最优决策成本控制l风险成本：金融公司第一任务是控制风险l资金投入：成本投入不是无限增长的决策效果预估为什么要

6、做这件事情：做了的效果有多好？为什么不做这件事情：不做会变得多差？核心是解决反事实预估问题核心价值：相关不等同于因果，只有因果可以支持决策-诺贝尔经济学奖得主Judea Pearl123目标需具有统一性，避免不同决策互相干扰将资源倾斜给谁？倾斜程度多大？如何确定投入 产出的关系如何量化？如何量化客户个体经营效率？l我们的工作是在有限的资源约束下，1）找到目标客户，2）配置经营手段，3）达到业务目标l我们引入因果推断技术，用于支持和优化信贷领域的复杂决策问题提升客户LTVA因果模型：个体维度决策效果预估成本约束：保持风险+投入的边界CB企业决策的难点与挑战