1、金融智能营销中的建模与策略优化 2019-05 目录 金融营销工作简介 问题分析 解决方案 未来工作 营销是互金服务的核心能力之一 营销 风控 目标是“获客”权益型广告或活动：增加吸引力（渠道费用+权益费用）改善产品：增加竞争力（不用花广告费）普通广告：增加曝光度（渠道费用）目标是衡量风险，在风险和收益间找到最佳平衡点 美团金融营销的场景举例 支付 保险 信贷 拉新：限定营销预算，通过权益活动，获取美团支付的新用户 促活：限定营销预算，通过权益活动，获取美团支付的活跃用户 提升支付成功率：限定引导次数，获取喜欢免密支付、指纹支付的用户 成本优化：限定预算，获取指定支付通道的用户 拉新：限定营销

2、预算，统筹营销的，获取授信用户 促活：限定营销预算，统筹营销的，获取借贷用户 热点套餐挖掘：挖掘出较多用户感兴趣的组合，供保险公司参考，形成多个热点套餐 套餐推荐：限定赔付率，个性化推荐保险套餐，获取购买保险的用户 美团金融营销的场景举例 需解决问题的共性：限定投入的资源，要求产出最大 智能营销：使用AI技术，提升营销的效率（产品流、运营流都适用）美团支付营销拉新 通过给权益来促进用户绑卡 权益可差异化 外卖延误险套餐推荐 用户需求是个性化的（低保费 or 易出险 or 高赔付）平台需要控制赔付率 可通过个性化推荐保险套餐（即保费、赔付条件和赔付金额的组合）来实现 目录 金融营销工作简介 问题

3、分析 解决方案 未来工作 问题分析（智能营销要解决的问题）目标 手段 约束 产出最大 向对象（比如：用户、流量等）施加最佳的营销动作（Action）投入的资源受限 Action有多种 对每个对象施加不同Action时，会有相应的资源消耗和相应的产出 解决一个分配问题给每个对象分配一种Action后，使得：?Max(N?i)s.t.M?iM?问题分析（结合场景理解）营销场景 目标 手段 约束 美团支付拉新 绑卡人数最大 Action是给用户分配不同的权益 权益的总费用不超过预算值 保险套餐的推荐 保单量最大 Action是给用户推荐不同的保险套餐 赔付率小于预算值 信贷拉新 授信人数最大 Act

4、ion是给用户分配不同的营销渠道、权益等“渠道+权益”的总费用不超过预算值 为方便讲述，后文只以美团支付拉新场景为例进行展开 问题分析（以美团支付拉新场景为例）目标 手段 约束 绑卡人数最大 给到访的用户（即流量）展示不同的权益 营销资金受限（或者获客单价受限）Action有多种：不给权益 给现金等价类权益：立减X元，随机减 给其它类型的权益：外卖券、酒旅券、打车券、摩拜券、彩票、保险 每个Action的消耗是资金，产出是绑卡 给每个到访用户（即流量）分配一种Action后，使得：?Max(P?i?i)s.t.P?i?M?iM?注：本页中，钱袋、人影、银行卡的图片来自于互联网 问题分析（解决思

5、路）解决问题 分配的策略 分配的依据 劳动量 多劳多得 劳动报酬的分配问题 收个税的问题 高收入者多纳税 个人收入 举例帮助理解 “消耗-产出”曲线 整体组合最优策略 限定预算时，最大化绑卡人数的问题 美团支付拉新场景 思路 问题分析（评价指标）选取评价指标：获客人数（有效绑卡人数）、获客单价 N获客人数=N总绑卡人数-N自然绑卡人数 M获客单价=M资金总消耗/N获客人数 规模 效率 对比不同解决方案的优劣时，需：对齐一个指标的前提下，比较另一个指标 或者两个指标都更优 这要求方案要具备连续可控性（即可以控制评价指标在一定区间内连续变化）问题分析（技术上的难点）没有现成的分配依据“消耗-产出”

6、曲线不是现成的，需要建模预测 分配策略求解难度大（后面会详述）组合优化的目标函数是非凸、非单调增的 本质上是一个多选择背包问题（NP-Hard）有C组物品，每组物品有K个。需要从每组物品中各选出一个，放进体积为V的背包里，求价值最大的选取方式 涉及的变量规模非常大（C是千万量级的）不是针对已知对象的分配问题：上面描述的背包问题，物品是已知的 我们遇到的情况：未来你会看到一些物品，但那些物品现在是未知的。现在，你就得给出选取的方案，对未来的那些物品进行选取，使得放进体积为V的背包后，价值最大 产出 消耗“消耗产出”曲线 智能营销的在线服务 业务方的营销后端 流量 营销Action 目录 金融营销

7、工作简介 问题分析 解决方案 1.分配的依据 2.分配的策略 3.总结 未来工作 分配的依据（预测绑卡响应率）通过机器学习建模来预测：P响应=F(User,Action,Context)和“点击率预估”类的问题很相似 使用的特征 User 业务方行为、支付行为、优惠使用行为、营销反馈、用户价值、用户画像等 Action“是否展示权益、权益的形式、权益的价值”的离散化表示 Context 流量的上下文（时间、城市、订单来源、支付金额、OS、APP等）“无权益”是一种Action “不同形式的权益”是不同的Action “同一种形式的权益下，不同的权益价值”是不同的Action 没有现成的数据，需

8、探测后产生样本（1：响应；0：不响应）注意保证探测的无偏性 GBDT：计算速度快、非线性能力强、容易调参 深度模型：普通的DNN、Wide&Deep、DCN、DeepFM等 离散化处理Action 采样 模型选取 分配的依据（绑卡响应率曲线的特点）P响应=F(User,Action,Context)，固定User和Context，按成本从低到高遍历所有的Action，可得：绑卡响应率曲线，蕴含着丰富的信息：横坐标 成本 纵坐标 产出 斜率 效率（类似于“价格弹性”）对曲线进行分析：权益不敏感型 低成本胜高成本型 临界突增型 非单增、非上凸 临界突增型 权益不敏感型 Action1 Action

9、2 Action3 Action4 Action5 Action6 Action7 Action8 Action9 Action10 Action11 Action12 Action13 Action14 Action15 Action16 Action17 Action18 Action19 Action20 Action21 Action22 Action23 Action24 Action25 Action26 绑卡响应率 成本从低到高排列 绑卡响应率与Action关系图 流量A 流量B 流量C 低成本胜高成本型 分配的依据（绑卡响应率曲线的特点）理解一下非单增、非上凸现象产生的原因 低

10、成本胜高成本型 对于爱买彩票的用户，他选择哪种权益的概率大：A：立减1元 B：随机减，平均优惠金额小于1元，但有机会减99元 对于客单价在20元附近的外卖用户，他选择哪种权益的概率大：A：满20减3元的外卖券 B：满35减5元的外卖券 对于爱骑摩拜的用户，他选择哪种权益的概率大：A：7元的打车券 B：5元的摩拜骑行券包 自然界中存在着大量的临界突增现象：沸腾、核武器的临界质量、经济危机、人的情绪失控等 部分用户对权益的响应也存在临界突增现象 类似于阶跃函数 临界突增型 目录 金融营销工作简介 问题分析 解决方案 1.分配的依据 2.分配的策略 3.总结 未来工作 分配的策略（演变过程）到目前为

11、止，分配策略的演变如下：基于阈值的多层漏斗策略 单用户ROI约束下最优策略 整体组合最优策略 一代 二代 三代 无差异化的立减固定金额策略 起点 本次介绍 分配的策略（整体组合最优策略难点）难点：未来的流量并不能提前知道（不是一个单纯的组合优化问题）关系曲线不是凸的，也不是单增的。待优化的问题本质是一个NP-Hard的问题，假设每天有1000万的流量，Action种类为30种，那么复杂度是：3010000000 需搭建在线服务，实时决策Action p响应 m成本 p响应 m成本 p响应 m成本 p响应 m成本 m成本 p响应 1.假设我们提前知道未来的所有流量，那么对每个流量，可估计出“绑卡

12、响应率Action”关系曲线 2.要给每个流量分配一种Action，所以需要解决右侧的组合优化问题（多选择背包问题）?Max(P?i?i)s.t.P?i?M?iM?分配的策略（解决难点的办法）我的方法：“非凸情况下，大规模组合优化近全局最优弹性解法”用历史的流量来估计未来的流量分布 剪枝技巧 路径记录技巧 内存管理技巧 体积为整数时，背包问题的动态规划解法 聚类 选代表，减小规模（比如聚成10000类：3010000000 3010000）聚类也是一种概率分布估计的方法，可与上面合并 复杂度进一步下降：3010000|总预算的台阶数|1000030 此外，动态规划算法通过一次计算，即可求出预算

13、值从0 到 M指定值递增时的每个解，有利于实现可控性 通过数据结构与算法的技巧，进一步减少计算所需的时间和空间（好的技巧能把运算速度再提升100倍）未来的流量不能提前知道 待优化问题的求解复杂度太大 历史流量作为训练样本 流量的概率分布模型 代入组合优化问题求解 分配的策略（离线流程与在线服务）p响应 m成本 p响应 m成本 p响应 m成本 p响应 m成本 m成本 p响应 离线流程 在线服务?Max(N?i?i)s.t.M?i?iM?N响应 M消耗 N响应 M消耗 N响应 M消耗 1.估计出到访流量的“响应率Action”曲线 2.找到归属的类别（KD树）3.返回对应的Action（即权益的形

14、式和金额）加载聚类后的每个类别及其中心 加载每个聚类类别的解（多组，针对不同的预算值）给每个聚类的类别分配一种Action，使得：2.估计出每个历史流量的“响应率Action”关系曲线 3.聚类，转化为“响应人数资金消耗”关系曲线 4.求解组合优化问题（多选择背包问题）1.训练出预测绑卡响应率的模型 探测采样 特征库 训练样本 模型 模型 加载模型 特色：分配依据通过机器学习建模预测 分配策略机器学习与运筹学相结合 弹性计算可根据处理对象的规模、可用的计算资源，选取合适的参数，在不同程度上逼近全局最优 可控性高离线流程提供了多个预算值下的解，使得在线服务可灵活地控制获客单价 效果：针对转新用户

15、，三代策略对比二代策略，获客人数上涨10%+，获客单价下降2%+分配的策略（特色与效果）获客人数 日期 获客人数ABTest对比 获客单价约束策略 整体组合最优策略 获客单价 日期 获客单价ABTest对比 获客单价约束策略 整体组合最优策略 目录 金融营销工作简介 问题分析 解决方案 1.分配的依据 2.分配的策略 3.总结 未来工作 总结（解决方案自顶向下展现）目标 问题 分配策略 分配依据 模型 特征 数据 获客人数尽量多 获客单价尽量小且可控 给每个到访的流量分配一种Action 可控性 基于阈值的多层漏斗策略 单用户ROI约束下最优策略 整体组合最优策略 “绑卡响应率Action”关

16、系曲线 P响应=F(User,Action,Context)描述User的特征 描述Action的特征 描述Context的特征 公司公共数据 金融业务数据 营销活动数据 透传的数据 总结（业界类似方案对比）方案 分配的依据 分配的策略 处理规模 客群营销法 人群属性或标签 凭经验对不同属性的人群分配不同的营销资源-价格弹性法 弹性系数：|d需求/d价格|弹性系数大于1，降价；弹性系数小于1，提价-业界已知方法1 预测某种场景下的价格弹性 使用决策树来决定优惠补贴-教科书式的运筹学办法 已知的“消耗产出”的关系 组合最优策略（使用“启发式算法、进化算法、动态规划”求解）取决于所选的解法 业界已

17、知方法2 预测响应率曲线（要求单增、上凸）组合最优策略（使用贪心法求解）大 我们的方法 预测响应率曲线（非单增，非凸）一、二、三代策略 大 目录 金融营销工作简介 问题分析 解决方案 未来工作 未来工作（路线图）数据 模型 策略 业务 相似场景间营销能力快速迁移 全生命周期联动营销 智能营销能力对外开放 一代：基于阈值的简单策略 二代：单对象ROI约束下最优策略 三代：整体组合最优策略 四代：对抗与博弈策略 公司公共数据 金融业务数据 营销主题数据积累 数据中心建设 外部数据积累 经典机器学习模型 深度模型 迁移学习、强化学习、博弈论 通用建模能力 各业务线交叉联动营销 越多优惠，用户响应可能反而越差 “先涨价，再降价”式的促销 谢谢！问题与讨论