摘要

用户营销是以消费者为基础的互联网公司的一个重点。学习算法可以有效地优化营销活动，增加用户参与度，促进相关产品的交叉营销。通过奖励来吸引用户，营销方法可以有效地促进用户在期望产品中的活动。奖励产生了巨大的成本，可以通过未来收入的增加来抵消。大多数方法都依赖于用户流失预测，以防止用户因做出营销决策而流失，这无法通过商业指标的反事实结果获得提升。其他预测模型能够估计异质性处理效果，但无法获得成本与效益的平衡。提出了用户营销的处理效果优化方法。该算法从过去的实验中学习，利用新的优化方法来优化用户选择的成本效率。该方法使用深度学习优化模型来优化决策，以对待和奖励用户，这在产生成本效益高、有效的营销活动方面是有效的。我们的方法展示了优越的算法灵活性，与深度学习方法集成和处理业务约束。 The effectiveness of our model surpasses the quasi-oracle estimation (R-learner) model and causal forests. We also established evaluation metrics that reflect the cost-efficiency and real-world business value. Our proposed constrained and direct optimization algorithms outperform by 24.6% compared with the best performing method in prior art and baseline methods. The methodology is useful in many product scenarios such as optimal treatment allocation and it has been deployed in production world-wide.

作者

将y邹，沭阳县杜，詹姆斯•李，1月他

论文全文

“异质性因果学习在用户营销中的有效性优化”(PDF)

超级人工智能