深度UPLIFT模型在金融科技用户增长的应用
1. UPLIFT模型简介
- 定义：UPLIFT模型用于预测干预产生的增益效果，通过反事实预估计算因果效应。
- 应用场景：系统性识别子群体/个体的干预效应，探查干预背后的机制，优化策略和个性化策略。
2. 主要技术挑战
- 混杂因素偏置：解决选择/曝光偏差等因素引起的不均衡数据。
- 归纳偏置：解决模型架构预估反事实结果时的无监督信号和正则化程度不一致问题。
- 多值/连续值干预：学习不同干预的异质性效应，精确预估连续值。
3. 深度UPLIFT模型发展脉络
- 发展历程：包括S/T/X/R Learner、Tarnet、DragonNet、DESCN、CFRNet、EUEN、S-Net、EFIN等模型。
4. UPLIFT模型助力业务增长案例
- 案例：信用卡还款券营销
- 策略：小流量随机投放 → 策略性分客群投放 → UPLIFT模型构建及投放评估。
- 效果：实现投放放量3倍+，有效控制ROI > 1。
5. 模型方案
- 第一代解决方案：Meta-Learner
- 效果：初期使用无差别样本，后期选择观测样本和无差别联合建模，实现投放放量3倍+。
- 第二代解决方案：从CFRnet到EFIN
- 目标：实现多券个性化运营，保证ROI > 1的同时实现MAU增长。
- 技术：特征交互增强的深度Uplift模型（EFIN），采用重参结构解决PO预估分布差异。
6. 实验效果
- 公开数据集实验：在Criteo-UPLIFT和EC-LIFT数据集上，EFIN表现优异。
- 信用卡还款券场景线上效果：在多个还款券场景下，EFIN取得了良好效果。
7. 第三代解决方案
- 目标：保证ROI > 1的同时实现GMV增长。
- 技术：多目标UPLIFT模型，支持多值/连续值treatment场景，缓解treatment数据的不均衡性，实现更好的模型泛化性。
总结
EFIN模型通过解决混杂因素偏置、归纳偏置等问题，实现了在金融科技领域的广泛应用和显著效果，展现了强大的业务落地能力。未来，EFIN将继续在模型算法方向进行深入研究和优化。
