投放场景下的问题分析与用户价值预估

投放场景下的问题分析和用户价值预估 演讲人：徐国强—腾讯—数据科学 目录Contents 投放场景下的问题分析 未来工作展望 致谢 01投放场景下的问题分析 用户价值在用户增长的作用 CLTV建模是⼀项底层的通⽤能⼒，其⽬的是准确预估处于不同⽤户状态的⽤户价值。增⻓模型的各个环节都可以在看清⽤户价值的基础上，制定出合理的增⻓策略，从⽽实现增⻓⽬标的达成。 •投放获客场景：通过CLTV建模预估不同渠道cohort粒度的CLTV，得到每个渠道投放的ROI，调整出价策略和预算分配策略。 •投放获客场景：通过CLTV建模得到⽤户粒度的CLTV，在投放过程中对媒体流量进⾏筛选，提升买量效率和效果。 •⽣命周期运营场景：预估运营策略⼲预下的⽤户价值弹性，找到对运营策略敏感⼈群，叠加资源分配策略提升整体⼲预效果。 用户增长中的用户价值定义 pCLTV的定义 CLTV(Costumer Lifetime Value)最早为市场营销领域的重要概念，表示的是⽤户在⽣命周期内为产品带来的收⼊总和。在⽤户增⻓实践过程中，⽤户时⻓、⽤户活跃等也可以被认为是⼀类⽤户价值。我们通常采⽤的建模⽬标的是SCV（nLTV），即⽤户在⽣命周期的某个session内的价值。 p客户资产的定义 CE(CostumerEquity)客户资产被定义为⼀组⽤户的CLTV总和。在⼀些场景下，客户资产最⼤化是产品的重要优化⽬标。例如：⽣命周期运营中，在有限的资源下，最⼤化运营⼲预下的⽤户活跃是最⼤化客户资产的任务之⼀。 用户价值建模行业相关工作 pCLTV建模行业相关工作 •随着⼤数据和机器学习的发展，⾏业相关⼯作越来越多，主要围绕数据稀疏、数据不平衡、多分布等问题展开。 投放场景下的问题分析和用户价值的应用 p付费投放获客是多方博弈下对公域流量的利用 •多个参与方目标不完全一致，是博弈关系。•付费投放是用户增长领域最重要的用户触达工具。 p付费获客广告主侧现状 p媒体广告平台侧现状 •越来越希望通过数据的深加工，更加自主的提升投放的ROI•广告主需要一个统一的对接方案，解决渠道严重的割裂现象 •广告平台越来越开放，希望引入更多一方数据，优化广告效果 投放场景下的问题分析和用户价值的应用 p提升获客的LTV是提升ROI的关键抓手 𝑅𝑂𝐼=𝐿𝑇𝑉𝐶𝐴𝐶1.提升LTV2.降低CAC •CAC优化中，降低出价可带来分母快速下降，但严重影响拿量能力。•LTV优化中，对媒体流量的优选是潜客拉新中投放端最有效抓手。 投放场景下的问题分析和用户价值的应用 p提升LTV的解决方案 随⼴告平台、数据能⼒的⽀持和⾃身能⼒不断探索，提升LTV的⼿段不断进化。 内容选品:分析建模“品类”带来的人群LTV差异，优化投放品类。 RTA(Realtime API)：自主建模个性化LTV表征用户价值，并通过RTA实时流量优选/分层出价。实现方案统一，适合平台化。 回传LTV建模：广告平台深度出价能力+浅层指标回传，实现“平台助力质量建模与优选”。 •问题：行业统一建模，难以深入解决业务特有问题。 •问题：粒度太粗，数据稳定性差。 •优势：个性化粒度，自主灵活建模，具备ABTest。 大禹投放平台多业务用户价值建模实践 p大禹投放平台 ⼤禹投放平台是腾讯PCG内部的⼀站式⼴告投放平台，向BG范围内产品的增长业务线提供素材创意、广告投放、RTA策略、效果分析等多维度的能力，让接入产品更低成本、高效率的落地广告投放业务。 ⼤禹投放平台已经服务于⼿机QQ浏览器、腾讯应⽤宝、全⺠K歌、腾讯动漫等⼗余个业务和产品，并且为这些业务的付费获客投放的ROI带来的巨⼤的提升。 p多业务下的用户价值建模面临的挑战 投放场景下CLTV建模目标选择问题 p投放场景CLTV建模如何量化选择建模目标 cohort粒度CLTV在激活后随时间增加⽽不断增⻓，选择多⻓窗⼝期作为建模⽬标是个权衡问题。 1.样本等待期长，与大部分场景在初期即有需求形成矛盾。2.决定了线上ABTest时观察周期偏长，严重影响迭代。 窗口期设置过长 •较高的线性相关性对替代建模会更优把握。 •𝑃𝑒𝑎𝑟𝑠𝑜𝑛(𝐿𝑡𝑣14,𝐿𝑇𝑉120)在0.7～0.8左右，基本属于强相关性。•14天样本等待期和观察期对多数场景基本可接受。•综合看，LTV14是比较可行的建模指标。 RTA流量优选场景必须要选择短期的、敏捷的指标进行建模和观察。 投放场景下LTV建模效果评估方法 ⾏业⼤部分⼯作及我们针对渠道粒度LTV建模评估均采⽤nMAE、nMAPE评估⽅法，但在投放应⽤场景中存在问题。 流量优选场景下，LTV建模更偏向于Discrimination问题，而不是Calibration问题。样本的Ranking比样本的精确值更重要。 当投放场景主要为头部高价值用户的筛选或出价时，需要补充关注头部用户的Precise-Recall等指标。 •方法1：将头部x%样本为正样本，其他或末尾y%样本为负样本，评估AUC•方法2：采用NormalizedGini Coefficient [GoogleZILN2019] pABTest实验上线前效果前测 ABTest上线前，根据业务LTV提升⽬标或规模缩减程度，通过关系趋势表推算应⽤阈值，估算实际提升效果。 样本收集成本高带来的数据稀疏问题和解决思路 p用户价值建模中的样本稀疏问题 为提升个性化建模的准确性，在搜索和推荐场景中通常采⽤超⾼维⽤户特征和海量样本的⽅案。付费投放因为预算条件，获取海量样本⼏乎不可能。 投放中采用高维用户特征建模个性化，但样本规模远小于特征空间 p引入预训练手段解决样本稀疏问题 用户价值由多种因素共同作用，某些因子属于用户特质，引入外部数据强化此类信息的用户表达，可以在业务间迁移。 用户价值建模中的多成分多分布问题和解决思路 p增值付费场景零值膨胀问题 •增值服务类产品LTV分布⾮常极端，付费⽤户占⽐极低，回归预测效果较差。 p零值膨胀分布解决方案 用户价值建模中的多成分多分布问题和解决思路 pCLTV多分布和多成分问题 •很多场景不满足Lognorml分布，本质上是多种分布的叠加。 •从微观角度来看，用户收入是由多种成分构成，形成多成分多分布问题。 用户价值建模中的多渠道问题和解决思路 p投放渠道之间数据复用问题 •大禹投放平台目前接入的渠道10个以上 •业务LTV建模时直接累加数据复用存在数据冲突 未来工作展望 p基于客户资产模型优化用户价值分层，通过渠道间预算分配策略达成客户资产最大化。 未来工作展望 p持续迭代用户价值模型，从序准往值准优化，探索更精准的投放策略。 2023DataFunSummit感谢您的观看—THANKS—