如何用“说服模型”降低用户流失率？
前两天，我们的一篇文章《商业分析中的“说服模型”是如何帮美国总统赢得大选的？》让很多人好奇，“说服模型”——也就是增量模型（uplift modeling）——到底是怎么做的呢？今天我们就来更具体地介绍一下这个模型！
预测模型（predictive models）通常是用来估计一个事件在未来发生的概率——比如明天会不会下雨？哪些用户最有可能退订服务？
其实，预测天气并不是为了改变它，而是为了适应它。但在商业情境中，我们更多的是想要在预测后采取行动，从而改变结果。
所以在这种情况下，我们要的不仅是“预测”，而是“药方”。
当我们知道了采取某个行动会产生怎样的影响后，我们就可以把资源集中到效果最好的地方，而不在效果微乎其微或者是容易产生反作用的地方浪费资源。
这就是增量模型的思维模式。
为了更好地理解增量模型，我们先看看它和传统预测模型之间有什么区别。
预测模型 vs 增量模型
很多时候，预测模型的结果或许能告诉我们：电信公司的哪些用户最可能流失、医院的哪个病人最可能康复、慈善组织中的哪些人最有可能捐赠。但它并不会告诉我们，该如何行动。
预测模型对有些场合已经够用了，比如天气预报。因为我们无法改变天气，我们只能选择做好准备。
但在我们能够作出改变的时候，我们当然想影响结果。比如，电信公司会考虑如何留住那些想退订的用户，给他们免费升级套餐能降低用户流失吗？人力资源分析师会思考搬家费能不能让候选人更有可能接受offer？
其实，增量模型最常见的例子是在营销领域。
它的目标并不是预测客户购买的可能性，而是提高客户购买的可能性。模型会告诉你，与其花钱去试图影响那些已经支持你的人，还不如去影响一个还没有支持你，但“可能被广告说服的人”
增量增的是什么？
增量模型增的到底是什么呢？就是购买行为在有广告时比没有广告时上升了多少（不一定是购买行为，而是任何我们希望用户产生的行为；也不一定是广告，可以是任何实验处理）。这不是能直接观察或测量出来的东西，我们只能在实验中推论出这个因果关系。
在介绍这个模型前，我们先看一个2x2的矩阵，这个矩阵把你所有的用户分成了4个类型：
a. 可以被广告影响的人 Persuadable
b. 忠实的支持者 Sure Thing
c. 请勿打扰者 Do-Not-Disturb
d. 没有希望拉拢的人 Lost Cause
这四种人中我们最应该关心的是a类人——可以被广告影响的人。对于b类和d类人，广告其实是浪费的。对于c类“请勿打扰者”，广告的效果是适得其反的。他们可能本来有可能买你的产品，但广告反而让他们抵触。这些人也被称为“sleeping dog”，因为打扰他们就像唤醒沉睡的狗一样，我们更希望”就让他们去“。
增量模型的目标就是找到可以被广告影响的a类人。然后对这些人进行广告投放。
估计增量
现在我们来用一个案例说明。
假设有一家电信公司想要减少用户流失，他们采取的行动就是给那些可能流失的用户免费升级他们的电信套餐。那怎么样找到“可以被这个优惠政策说服的用户“，并给他们实施这套方案，把他们留住呢？
我们用增量模型来解决这个问题。
首先，我们要做一个实验，这个实验的目的是给增量模型提供必要的数据。我们从电信公司几千万个账户中抽取2000个账户用来做实验。
我们随机选择400个电信账户设为试验组（test group），对于这些人，我们给他们免费升级套餐（所以免费升级套餐就是实验处理）。
我们另外再选1600个账户，不给他们升级套餐，所以他们就是控制组（control group）。
然后我们比较这两组账户在流失率上的差别。
我们发现，测试组的400个账户中有8个用户流失了，流失率2%。控制组的1600个账户中有160人流失了，流失率是10%。所以，测试组和控制组相比，有-8%的增量（这个例子中，用户流失是不好的，所以负值意味着“留存”的增加。）
总体增量 U = 测试组结果RT – 控制组结果RC = 2% – 10% = -8%
千万不要以为到这一步就结束了。好戏还在后头。
实验做完后，就到了增量模型最重要的一个环节——计算出每个用户的实验处理效应（treatment efffect）。也就是说，虽然试验组的流失率总体上比控制组低，但这是总体的结果，每个个人是不一样的，可能试验组里的有些人喜欢“免费升级”并被它说服了，但另一些人对它无动于衷，甚至还有人反而被它激怒。
所以我们可以用用户的特征变量——比如性别、年龄、收入、网购记录等等——来分别预测在有“免费升级”和没有“免费升级”的两种情况下的用户流失率。
模型具体的步骤是这样的：
1）在有实验处理的情境中（也就是“免费升级”），用个人特性变量预测用户流失率
2）在没有实验处理的情境中（也就是没有“免费升级”），用个人特性变量预测用户流失率
3）计算两组流失率的差距（Ui=RTi-RCi）
4）计算差距的置信区间
当有了这些重要的数值之后，我们就可以把所有用户他们每个人的特征值带入，并计算每个个体的置信区间。根据这些置信区间，我们可以把所有个体归类进矩阵里的四种类型：
如果置信区间包括零值，则“免费升级”这个措施对这个人来说就是没有显著功效的。那他就要么是忠实的支持者Sure Thing，要么是没有希望拉拢的人Lost Cause，所以你不用浪费精力在他的身上。
如果置信区间大于零，那就说明“免费升级”对他是有作用的，那当结果为正时，他就是“可以被说服的人“。
当置信区间小于零，那就说明实验处理降低了期望的结果的发生概率，也就是免费升级对他是有反作用的，那这些人就是“请勿打扰者”。
通过这种办法，我们就可以把所有用户分成这四类人啦！然后只要给“可被说服的人”发广告“免费升级”他们的套餐就行啦！
获得营销投资回报
在商业中理解一个行为的投资回报率是非常重要的。增量模型让你可以估算一个处理的回报，只要加总处理对于那些“可被说服的人”的增量（incremental uplift）就行，这就是整体的处理效果（treatment effect）。
如果你对本文提到的细节还有很多疑问，想要深入了解在商业应用的实际操作中如何一步一步地建立增量模型、如何在R语言的环境中实现模型、以及增量模型和传统预测模型的效果比较，就请来报名在3月2日即将开班的《营销分析专项系列课程：教你学会美国营销分析的五大做法》：
开班时间：3月2日
营销分析专项系列课程内容
课程1 分析营销渠道、优化广告预算的宏观方法：营销组合模型（Marketing Mix Modeling）
Marketing Mix Modeling （MMM）是一个在各行各业都广泛应用的营销统计工具，通过统计与计量经济模型来揭示不同营销活动对销售额、品牌、客户增长带来的不同影响。美国大型公司都通过营销组合模型的结果调整营销策略，最大化广告营销的回报。
任职于全球最大的媒介管理公司GroupM的营销分析经理，开设的《营销组合模型入门》，一步步详解模型背后的做法、原理以应用，全方位解析营销组合模型。
课程2 为每一次转化科学分配功劳：营销归因（Attribution）
绝大多数企业都采用Multi-Channel Marketing的营销模式。而在纷繁复杂的多渠道面前，大家都面临着同样的问题，那就是如何确定产生最终销量的流量来自哪里？这个问题的不同答案将直接导致企业在不同渠道上的投资和营销战略的调整等。如果你能搞明白哪些营销活动是有效的，你就能集中资源来获得新的用户，还能合理地规划和预测未来的增长。
任职于共享民宿独角兽硅谷总部的营销科技经理开设的《Attribution营销归因》，详细讲解了最前沿的Attribution模型原理、分析方法和应用场景，教会你拨开迷雾，学会解决营销中最核心的问题。
课程3 广告营销中的A/B测试 （A/B Testing）
A/B Testing是一个强大且应用广泛的实验方法。在工作中非常容易遇到。即使你在统计课上学过假设检验，但是实际工作中的A/B Test还是与书本里教的不同。
在Media Advertising Industry，像A/B Testing这样的方法被称为Media Test & Learn。测试的对象不仅仅是产品的特征属性，还涉及广告的Frequency、Flighting、Channel、Target等等广告业独有的属性。那有没有一门课，可以系统性地讲解A/B Testing以及它在Advertising领域的应用呢？
前Ebay高级商业分析师、现美国第二大游戏公司EA的高级营销科学分析师开设了《A/B测试》一课，教你学会A/B Testing原理、实验设计方法、A/B Testing前沿应用。
课程4 帮你找到目标客户，进行精细运营的增量模型（Uplift Modeling）全新上线！
增量模型是常见的测量市场营销战役对消费者行为的影响的预测模型。它在追加销售（up-sell）、交叉销售（cross-sell）和留存（retention）模型中都有广泛的应用。
任职于美国家具电商的领军企业——Wayfair——的数据科学经理为大家开设《增量模型在营销中的应用》，她在课程中由浅入深地介绍Uplit Modeling的原理和做法，并以实操案例介绍Uplift R Package。
课程5 对用户进行分类和预测的随机森林模型在营销中的应用（Random Forest)
作为在市场营销领域中新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，简称RF）拥有广泛的应用场景，既可以用来做市场营销模拟的建模，统计客户来源、保留和流失，又可以预测销售额、电影票房。近年来，更是和Marketing Mix Modeling双剑合璧，各有所长地解决不同的营销问题。
美国电信巨头Verizon的营销效果经理开设的《随机森林模型在营销领域的应用》，在R语言环境中介绍随机森林模型的原理与应用场景。
明星老师团
GroupM美国营销分析经理
独角兽公司（共享民宿）硅谷总部的营销科技经理
前Ebay高级分析师，现美国第二大游戏公司EA的高级营销科学分析师
美国家具电商领军企业Wayfair数据科学经理
美国电信巨头Verizon营销效果经理
升级的课程体验，防止你买了课却囤着不听
1. 班主任
来自Google美国的运营分析师会担任班主任，负责为所有学员规划学习进程，布置作业与deadline。
2. 助教团
助教团的助教老师们会nice地提醒大家交作业，并进行作业答疑以及批改反馈。
3. 课程视频
专项课程共持续10周。每周解锁3个课程视频（每周时长1.5小时左右）。
4. 作业
每周一次作业，将课程所学应用到新的案例中。花费时间15-30分钟。所有作业均有助教团及老师耐心批改并给予反馈。
5. 课程测试
每门课程历时两周（共5门课程）。在每门课程结束后，学员完成该课程的测试。助教团和老师对测试题目进行讲解。
6. 专项大证书
当所有课程全部完成后，学员进行期末测试，获得70分（满分100分）以上的学员，就可以拿到Marketing Analytics营销分析这个专项的大证书：
7. 任课老师直播答疑
最后，五门课程的任课老师会在最后一周举办线上讲座，帮大家融会贯通你学的五门课，教你这五个领域如何有机结合，教你如何把学到的东西和自己的职业完美结合，如何游刃有余地选择用什么武器解决什么问题。
上课流程
报名成功 | |
添加学习助理微信进入班级学习群 | |
每周解锁三章课程内容 （每门课程有6-7章课程内容） |
每周作业巩固所学知识 每周班主任与学习助理点评作业 | |
每两周一次测试检验学习效果 | |
完成所有课程并通过所有测试的学员，获得专项大证书 |
专项课程任课老师线上讲座 |
报名方式
如果你从未买过上面任何一门课，请遵循以下优惠原则：
前20位报名学员：立减¥400，仅需¥999（相当于每门课7折优惠）
21-40位报名学员：立减¥200，仅需¥1199（相当于每门课85折优惠）
41位以后的报名学员：恢复原价¥1399
*我们提供标准Invoice，可用于企业报销
如果你曾购买过本专项中任意一门课程，请咨询小助手获得购买方式（如果你买的课程不在这五门之列，请勿扰）
小助手
Q & A
1. 如果我已经买过其中的某些课程怎么办？
完全没关系，我们考虑到了有不少用户已经单独购买过专项中的个别课程。但是我们有让你满意的解决方案！事实上，我们鼓励已经买过部分课程的同学来参与这个专项学习，尤其是买了课却还没有完课的同学。我们想让你看到自己认真上完课程后的改变！
请联系小助手购买课程：
2. 请问课程是在手机还是在桌面上观看？
所有学员既可以获得手机课程通道，又可以获得桌面课程通道！
如果你更喜欢在轻便的手机上学习，那当然可以使用手机登陆课程！
如果你身处海外，不满意跨境服务器的加载速度，不用担心，我们有网速无敌的视频平台，可以在桌面直接看视频！
总之，不论是大屏还是小屏，不论你身在世界的哪里，都会爱上我们全新升级的课程体验！
3. 我的公司非常支持员工上课，你们的课可以报销吗？
我们提供标准Invoice，已有多位学员成功报销。
4. 单独买专项内的课程和买专项有什么区别吗？（当然有啦！）
差别一：从价格上，单独买这些课总价需要¥1399，但专项课前40位学员有优惠，最低立减¥400，40名以后恢复到原价¥1399.
差别二：课程体验上，单独买课没有作业、证书、直播答疑、学习规划，一切需要靠你自学，而很多同学最后都把课囤着没有上完。但专项系列课配备全套运营服务，升级了课程体验，确保你完成课程！
差别三：单买课程并不能知道各种分析方法之间的联系与区别，不知道在什么场合用什么方法。专项课程有专门的直播环节帮大家建立联系，并教大家如何把所学与工作面试相联系。
如果你还有任何疑虑，不妨咨询小助手：
我们的课堂，期待你的到来！
原文: Uplift Modeling: Making Predictive Models Actionable.
作者：Mike Thurber
翻译：MarTechCareer
关于MarTechApe
MarTechApe是一个来自纽约、专注MarTech领域的知识分享|技能学习|求职服务的终身学习平台。我们提供最专业的Marketing Technology课程。
你的朋友可以在“发现”-“看一看”看到你认为好看的文章。