数据分析36计(七)：营销增益模型(uplift model)如何识别营销敏感用户群，Python实现...

目前关于数据分析系列文章已更新到第7篇，其中5篇文章都是关于用户行为分析的内容。文章已收到【木东居士】和【俊红的数据分析之路】等公众号中数据分析大佬们的认可和支持。很多朋友在后台问我写的这块内容有什么资料可以系统学习，我的回答是，目前还没有找到这类书。至少还没找到将方法、案例和代码一起复现的资料。（可能有，只是我比较笨拙没找到）。所以我决定自己将零零散散看到的方法和数据拼凑成一个完整的学习过程。并且在第7章及以后开始使用公众号的知识付费功能，连续每章都支持的朋友在更完36章后，会在最后将付费的金额（扣除微信收的手续费）全部返回给这类付费的读者。感谢支持！！！

数据分析36计(一)：生存分析与互联网用户行为如何联系起来

数据分析36计(二)：用合成控制法判断运营方案策略实施效果

数据分析36计(三)：熵权法如何确定指标权重构建商业评价体系

数据分析36计(四)：互联网广告渠道效果归因分析之Shapley Value

数据分析36计(五)：马尔可夫链对营销渠道效果归因建模，R语言实现

数据分析36计(六)：BG/NBD概率模型预测用户生命周期LTV，Python实现

1. uplift模型

一般营销活动效果分析都用Response model，但是比起uplift模型，它只是在探究营销活动干预与用户转化的相关关系(correlation)，比如某次的广告曝光，用户A的转化概率为1%，用户B的转化概率为2%，那么你会选择哪个用户受这次广告曝光的影响更大？一般会回答用户B，但是我们忽略了一组数据，就是在自然转化情况下，用户A自然转化概率为0.5%，用户B的自然转化概率为1.8%。那么用户A的uplift值为0.5%，用户B的uplift值为0.2。说明真正归因到这次广告带来的效果上，对用户A的转化影响更大。

	广告	自然	uplift值
用户A	1%	0.5%	0.5%
用户B	2%	1.8%	0.2%

那么从这个案例可以知道Response model探究事件干预与转化效果的是相关关系，而uplift model探究因果关系。uplift model 能直观的知道哪个用户最有可能受事件干预(这里主要指营销活动)影响，最终可通过向这类用户制定营销方案，以保证在活动预算有限的情况下，提升整体的用户转化效果。因此，uplift model可以找到那些更容易被营销推广活动驱动他们偏好响应的用户，也就是“营销敏感”用户，从而提升活动的反响、提升ROI、提升整体的市场响应率，促成营销效用最大化。uplift model的目标是避免推广预算花在这几类用户上面，最终将成本花在那些需要营销促进才会转化的用户。

（一）从购买者角度来看：

• 自然反应的用户(即不需要营销也会来的用户)；

• 决不会响应的用户(即营销了也不会来的用户)；

（二）从流失者的角度来说：

• 肯定的用户(即不需要营销也会流失的用户)；

• 因为进行了市场推广反而流失的用户(即营销会流失的用户)；

2. 用户营销敏感度预测，Python实现（代码在文章末尾）

uplift model的学术定义为用于估计某种干预对个体行为的因果效应。用户在有干预和没干预两种情况下的结果差的形式如下：