因果推荐技术在飞猪保险营销和可解释性上的应用

因果推断技术在飞猪保险推荐和可解释性的应用

01 Uplift增益敏感度预测

Uplift增益的定义

• 定义：Uplift增益是指新的营销动作（T=1）相较于原始动作（T=0）能带来的平均增益（Lift, Average Treatment Effect）。
• 保险场景问题：通过推荐模块的文案和产品，在营销动作和约束条件下，找到因营销动作导致增益最大的人群进行定向投放。
• 个体Treatment效果(ITE)：计算个体在T=1和T=0两种条件下的转化率差异，涉及反事实推理。

建模方式

• 预估方式：差分建模（如Learner、Lift）、直接建模（因果森林、标签转换模型）。
• 变量数量：单变量或多变量Uplift建模。
• 模型选择：机器学习（LR、GBDT、DNN）。

02 增益敏感度的应用

保险产品/红包推荐

• 业务问题：在弹窗页面推荐最佳保险产品或红包，最大化转化和收益。
• 营销项示例：18元保险（Treatment）、23/5/8/10元红包（Treatment）、40元保险（Base）。

保险产品推荐

• 假设条件：CIA（条件独立假设）。
• 样本特征：用户基础特征、历史浏览/购买商品相对价格、红包使用频率、上下文价格相关特征、是否使用营销策略（T=0/1）。
• 评估指标：Gini & uplift curve。
• 业务问题：弹窗页面推荐最佳保险产品，最大化转化。
• 结果：通过AB数据和Uplift分数预测，圈选转化率高且收益持平人群投放低价产品，线上转化率相对提升5.8%。

保险红包推荐

• 业务问题：推荐最佳红包，最大化整体收益。
• 业务目标：增量ROI。
• 半智能决策定价模型：在多种券额下，Uplift分数超过阈值且贪心取最大对应券额。
• 智能定价模型：拉格朗日对偶问题整数规划求解。
• 线上效果：Uplift决策桶的增量ROI为1.2，远高于运营红包桶的0.125。

文案推荐

• 业务问题：对相同保险产品展示不同话术，最大化收益。
• 结果：在各个细分人群上，收益相对提升5%～10%。

03 贝叶斯因果网络

• 定义：贝叶斯网络（Bayesian Network, BN）表征事物间的因果关系，通过有向无环图结构，顶点为观测变量或隐含变量，边表示因果关联。
• 模型学习：结构学习（如Heckerman scoring function+greedy search）、参数估计（根据样本更新节点条件概率表）。
• 推断与归因：推断事件发生概率，归因事件发生的原因。

04 因果决策路径构建及可解释性

决策路径构建

• 动机：用户浏览记录和上下文信息不足以直接推断保险需求，需复杂逻辑推理。
• 建模方式：用户节点（年龄、性别）、事件节点（暴雨、春节）、创意节点（温馨、引导），通过条件概率链接。
• 结构学习：Heckerman scoring function+greedy search。
• 参数估计：根据样本更新节点条件概率表。

可解释性

• 推断：基于各类证据下用户最可能决策类型（如Likelihood Weighting/Loopy Belief Propagation）。
• 归因：当保险产品热销/大盘下跌时，归因找到导致热销的因子。

总结

• 核心观点：因果推断在保险产品推荐、红包和文案营销中显著提升效果。
• 关键数据：Uplift决策桶增量ROI达1.2，转化率相对提升5.8%，收益相对提升5%～10%。
• 研究结论：结合贝叶斯因果图构建和可视化解释，为业务决策和特征选择提供新思路。