1. Vorhersage der Uplift-Gewinnempfindlichkeit Das allgemeine Geschäftsproblem lässt sich so zusammenfassen, dass Vermarkter unter den definierten Personengruppen wissen möchten, wie hoch der durchschnittliche Umsatz ist (Steigerung, ATE, durchschnittlicher Behandlungseffekt). Jeder wird darauf achten, ob die neue Marketingmaßnahme effektiver ist als die ursprüngliche.
Im Versicherungsszenario beziehen sich Marketingmaßnahmen hauptsächlich auf Versicherungsempfehlungen, wie z. B. das Verfassen von Texten und die im Empfehlungsmodul offenbarten Produkte Ziel ist es, die Gruppen zu finden, die am meisten von Marketingmaßnahmen profitieren, und unter verschiedenen Marketingmaßnahmen und Einschränkungen Zielgruppen-Targeting durchzuführen.
Machen Sie zunächst ein idealeres und Perfekte Annahme: Für jeden Benutzer i kann man wissen, ob er die Marketingaktion t kauft. Wenn Sie es kaufen, können Sie denken, dass Di in der Formel positiv ist und der Wert relativ groß ist. Wenn Sie es nicht kaufen und sich über Marketingmaßnahmen ärgern, kann Di relativ klein oder sogar negativ sein. Auf diese Weise kann die Wirkung der Behandlung bei jedem einzelnen Benutzer erzielt werden.
In Bezug auf die Crowd-Aufteilung können Sie die vier Marketing-Quadranten im Bild oben sehen. Was uns am meisten Sorgen bereitet, ist definitiv die Crowd von Persuadables in der oberen linken Ecke. In Kombination mit der Formel besteht das Merkmal dieser Personengruppe darin, dass sie bei einigen Marketingaktionen sehr viel kaufen, d. h. Yi > 0, und der Wert ist relativ groß. Wenn für diese Personengruppe keine Marketingmaßnahmen ergriffen werden, ist sie negativ oder relativ klein, gleich 0. Der Di einer solchen Personengruppe wird relativ groß sein.
Schauen wir uns die Leute in den anderen beiden Quadranten an. Sicher bedeutet das, dass diese Leute kaufen werden, unabhängig von Marketing oder nicht Marketinginvestitionen Die Rendite für diese Personengruppe ist relativ niedrig. Schlafende Hunde bedeuten, dass Marketingmaßnahmen einige negative Auswirkungen haben werden. Für diese beiden Gruppen sollte man am besten kein Marketing betreiben. Aber es gibt auch ein Gegenargument Hier Dilemma der Tatsache: Di ist nicht so perfekt. Wir können nicht wissen, ob ein Benutzer gleichzeitig an einer Behandlung interessiert ist, d. h. wir können nicht wissen, wie derselbe Benutzer gleichzeitig auf verschiedene Behandlungen reagiert.
Das beliebteste Beispiel ist: Angenommen, es gibt ein Medikament, und nachdem Sie es A gegeben haben, erhalten Sie die Reaktion von A darauf Arzneimittel. Aber sie wissen nicht, dass es sich tatsächlich um eine kontrafaktische Existenz handelt, wenn A das Medikament nicht einnimmt, weil A das Medikament bereits eingenommen hat.
Für die kontrafaktische Betrachtung haben wir eine ungefähre Schätzung vorgenommen. Bei der ITE-Schätzmethode (Individual Treatment Effect) kann zwar nicht festgestellt werden, dass ein Benutzer mit seiner Reaktion auf zwei Behandlungen experimentiert, es können jedoch Benutzergruppen mit denselben Merkmalen gefunden werden, um die Reaktion abzuschätzen Man kann davon ausgehen, dass Xi im gleichen Merkmalsraum ungefähr einer Person entspricht.
Also, Di's Schätzung ist es unterteilt in drei Teile: (1) Die Conversion-Rate von
Xi unter der Marketingaktion von T=1;
(2) Die Conversion-Rate von Xi unter der Marketingaktion von T=0 Conversion-Rate; (3) Lift ist ein Differenzwert, der die Differenz zwischen zwei bedingten Wahrscheinlichkeiten berechnet. Je höher der Liftwert einer Benutzergruppe ist, desto größer ist die Kaufbereitschaft dieser Personengruppe. Wie kann man den Auftrieb erhöhen? In der Formel wird die Conversion-Rate von Xi unter der Marketingaktion T=1 erhöht und die Conversion-Rate von Xi unter der Marketingaktion T=0 kleiner.
Machen Sie in Bezug auf die Modellierungsmethode in Kombination mit der obigen Formel einige Verallgemeinerungen:
(1) Die Anzahl der T-Variablen , wenn es nicht nur eine Marketingaktion, sondern n Marketingmaßnahmen gibt Aktionen Aktion, sie wird durch Multivariablen-Uplift modelliert, andernfalls wird sie durch Univariablen-Uplift modelliert.
(2) Bedingte Wahrscheinlichkeit P und Lift-Schätzmethode : ① Schätzen Sie durch Differentialmodellierung den P-Wert und ermitteln Sie dann den Liftwert, bei dem es sich um eine indirekte Modellierung handelt. ② Durch direkte Modellierung, z. B. Label-Konvertierungsmodell, oder Kausalwald, z. B. Tree Base, LR, GBDT oder einige tiefe Modelle.
2. Anwendung von Gain Sensitivity
Gain Sensitivity wird hauptsächlich in drei Aspekten eingesetzt: Empfehlung von Versicherungsprodukten, Empfehlung von roten Umschlägen und Empfehlung von Texten.
Lassen Sie uns zunächst die Positionierung der Reiseversicherung auf Fliggy vorstellen. Reiseversicherungen sind eine Kategorie von Reiseprodukten, sie erscheinen jedoch häufiger in Verknüpfungen mit Hauptprodukten. Wenn wir beispielsweise Flugtickets und Hotels buchen, ist unsere Hauptkaufabsicht: Hotels, Flugtickets und Bahntickets. Zu diesem Zeitpunkt werden Sie von der APP gefragt, ob Sie eine Versicherung abschließen möchten. Versicherungen sind daher ein Nebengeschäft, haben sich jedoch inzwischen zu einer sehr wichtigen kommerziellen Einnahmequelle in der Transport- und Beherbergungsbranche entwickelt.
Der Hauptgegenstand dieses Artikels ist die Popup-Seite: Die Popup-Seite ist eine Seite, die angezeigt wird, wenn Sie die Kasse in der Fliggy-App öffnen. Auf dieser Seite wird nur eine Art von Creative angezeigt Copywriting und nur eine Art von Versicherungsprodukten unterscheiden sich von der vorherigen Detailseite, auf der mehrere Arten von Produkten und der Preis der Versicherung angezeigt werden können. Daher wird diese Seite die Aufmerksamkeit des Benutzers hier ausreichend lenken und einige neue Werbeaktionen und sogar einige Marketingmaßnahmen zur Schulung und Schulung der Benutzer durchführen.
Das aktuelle Geschäftsproblem, auf das wir stoßen, ist: Auf der Popup-Seite müssen wir das beste Versicherungsprodukt oder den besten roten Umschlag empfehlen, um die Gesamtkonvertierung oder den Umsatz zu maximieren. Genauer gesagt geht es darum, das Geschäftsziel zu erreichen, neue Kunden zu gewinnen oder höhere Conversions zu erzielen. Das Geschäftsziel des Umsatzes besteht darin, die Conversion-Rate zu erhöhen, ohne den Umsatz zu verringern.
Unter den oben genannten Einschränkungen gibt es mehrere Marketingelemente: (1) Empfehlung einer preisgünstigen Einstiegsversicherung; (2) Eine weitere Behandlung, bei der einige rote Umschläge empfohlen werden, hauptsächlich um neue Kunden anzulocken . Und Basis ist der ursprüngliche Versicherungspreis.
Bei der Modellierung gibt es einige Annahmen: die Annahme der bedingten Unabhängigkeit. Bezieht sich auf die Behandlungsmarketingaktion. Bei der Modellierung der Uplift-Sammlung wird davon ausgegangen, dass die Proben unabhängig sind und die verschiedenen Merkmale des Benutzers unabhängig voneinander sind. Beispielsweise können rote Umschläge nicht unterschiedlich nach Alter verteilt werden. Beispielsweise sollte es eine geringere Verteilung bei jungen Menschen und eine stärkere Verteilung bei älteren Menschen geben. Dadurch wird die Stichprobe verzerrt. Daher besteht die vorgeschlagene Lösung darin, Benutzern die Möglichkeit zu geben, Produkte nach dem Zufallsprinzip freizulegen. Auf ähnliche Weise können Sie auch den Neigungswert berechnen, um eine homogene Benutzergruppe zum Vergleich zu erhalten.
Im experimentellen Design , AB-Experiment: A soll gemäß der ursprünglichen Strategie platziert werden, was 40 Yuan Versicherung sein kann, oder es kann sich um die Preisgestaltung der Versicherung nach Betrieb oder eine Preisgestaltung handeln das Originalmodell. B-Fass, günstige Versicherungsplatzierung.
Beschriftung: Ob der Benutzer die Transaktion konvertiert oder abgeschlossen hat. Modell: T/S/X-Learner und verschiedene solcher Metamodelle.
Beispielstruktur: Der Reiz besteht darin, zu charakterisieren, ob Benutzer mehr an dieser Art von Niedrigpreisversicherung interessiert sind, und es müssen genügend Funktionen vorhanden sein, um die Preissensibilität des Benutzers zu charakterisieren. Tatsächlich gibt es jedoch, wie bei Hilfsprodukten, keine relativ starke Absicht. Daher ist es für uns schwierig, anhand der historischen Browsing- und Kaufaufzeichnungen des Benutzers zu erkennen, wie viel Versicherung der Benutzer möchte oder wie viel Versicherung er kaufen wird. Wir können uns nur die Daten innerhalb der Domäne des Hauptgeschäfts oder einiger anderer von Benutzern durchsuchter Fliggy-Apps ansehen. Wir werden uns auch die Häufigkeit der Nutzung roter Umschläge durch Benutzer ansehen und den Anteil des Verbrauchs roter Umschläge In den ersten Tagen rote Umschläge verschicken? Erst dann wurde die Verwandlung bei Fliggy durchgeführt.
Basierend auf der Konstruktion der obigen Merkmalsbeispiele werden auch die Bedeutung und Interpretierbarkeit der Merkmale analysiert. Aus dem Baumbasismodell ist ersichtlich, dass es relativ empfindlich auf einige Merkmale von Zeit, Preisvariablen und Altersvariablen reagiert.
Berechnungsmethoden für Bewertungsindikatoren: Gini und akkumulierter Gini. Teilen Sie Uplift in n Gruppen auf und berechnen Sie einen Gini-Score für jede Gruppe, wie in der ersten Formel in der Abbildung oben gezeigt. Unter dieser Gruppe wird die Conversion-Rate erhalten, nachdem der Benutzer dem Test-Bucket und dem Basis-Bucket zugeordnet wurde dann wird der Gini berechnet. In Analogie zu Uplift Gini hilft es uns durch die Berechnung der Einkommenspunkte unter verschiedenen Schwellenwerten, einen Schwellenwert zu bestimmen.
Offline verfügbar, das leistungsstärkste Modell ist LR+T-Learner, das tatsächlich nicht den ursprünglichen Erwartungen entspricht. Nachdem ich über dieses Problem nachgedacht habe, liegt das Problem möglicherweise in der Konstruktion versicherungsbezogener Preismerkmale durch den Benutzer, die nicht ausreichend beschrieben werden können. Da wir auch einige Benutzeruntersuchungen durchgeführt haben, beispielsweise zur Persönlichkeit des Benutzers und zur Sensibilität gegenüber Versicherungen, können einige Benutzerporträtdaten in der APP-Domäne das Interesse des Benutzers an einem nicht-physischen Produkt zeigen. Letztlich basierte die Abgrenzung der Gruppen für die Verteilung jedoch immer noch auf dieser Punktzahl, und der Online-Basis-Bucket stieg um 5,8 %.
In der Empfehlung des roten Umschlags können wir basierend auf der 40-Yuan-Versicherung auch eine Versicherung von 3/5/8/10 Yuan ausstellen.
Unser Geschäftsziel ist der inkrementelle ROI. Die Formeldefinition lautet: GMV des Test-Buckets minus GMV des Basis-Buckets. Marketingkosten. Wenn der inkrementelle ROI größer als 1 ist, bedeutet dies, dass das Marketing kein Geld verliert. In diesem Szenario besteht unsere Anforderung also darin, kein Geld zu verlieren. Bevor wir das Uplift-Modell verwenden, führen die Operationsstudenten zunächst eine Lieferwelle durch. Bei ihren Seed-Gruppen liegt der ROI zwischen 0,12 und 0,6. Eine unserer Anforderungen besteht also darin, einen höheren ROI zu erzielen, ohne Geld zu verlieren.
Durch den Abbau der oben genannten Ziele wird das Problem schließlich in die Schätzung der Conversion-Rate des Benutzers und die Uplift-Schätzung umgewandelt, wie in der Formel unter der obigen Abbildung dargestellt.
Endlich, nach einer Reihe von Änderungen, sind wir tatsächlich wieder damit beschäftigt, den Uplift-Wert und die Nichtkaufwahrscheinlichkeit zu ermitteln. Die Nichtkaufwahrscheinlichkeit bezieht sich auf die Conversion-Rate der Benutzer, wenn keine Gutscheine ausgegeben werden. Wenn Sie den oben genannten ROI erhöhen möchten, müssen Sie eine Benutzergruppe finden. Je kleiner der P0, desto besser und desto höher Je höher der Uplift-Wert, desto besser.
Die erste Version des Modells ist ein halbintelligentes Entscheidungsmodell: basierend auf dem Uplift-Wert, der unter verschiedenen Couponbeträgen berechnet wird , und dann durch Beobachtung Die Wirkung der Behandlung besteht darin, den Schwellenwert festzulegen. Jeder festgelegte Schwellenwert soll die Kosten decken. Die zweite Version ist Smart Pricing Modell: Basierend auf der Lösung des dualen Problems besteht die Einschränkung darin, dass die Couponausgabe kleiner oder gleich 1 sein muss, dh Xij
Auf Empfehlung des Texters Es hat eine ähnliche Idee wie die vorherige Produktempfehlung und die Empfehlung für den roten Umschlag. Wir werden feststellen, dass einige Benutzer unterschiedliche Vorlieben für unterschiedliche Stile des Textens haben, daher werden wir es strukturieren, z. B. ein warmes „mit Sicherheitsgarantie“ oder einige Warnungen vor Risiken. Es wird auch festgestellt, dass es relativ große und offensichtliche Unterschiede zwischen verschiedenen segmentierten Gruppen gibt. Aus der Perspektive der Merkmalsbedeutung können warme Sätze für diejenigen, die in den 1980er Jahren geboren wurden, oder einige ältere Menschen effektiv sein, während das Verfassen von Texten mit rationalem Charakter möglicherweise wirksam ist effektiver sein und besser für junge Menschen geeignet sein. Im Hinblick auf die Wichtigkeit der Merkmale segmentierter Gruppen und den gleichzeitigen Versuch, das Copywriting zu personalisieren, gibt es eine relative Verbesserung von 5 % bis 10 %. 3. Bayesianisches Kausalnetzwerk ?? . Lassen Sie uns zunächst kurz vorstellen, warum Bayes'sche Netzwerke verwendet werden. Unter verschiedenen empfohlenen Texten möchten wir wissen, warum Benutzer an der Texterstellung interessiert sind, warum sie konvertieren können und welche verborgenen Variablen dahinter stecken. Daher sind die Scheitelpunkte beim Aufbau eines interpretierbaren Netzwerks hauptsächlich beobachtete Variablen oder implizite Variablen. In einem Bayes'schen Netzwerk wird die endgültige Netzwerkstruktur durch Multiplizieren der Wahrscheinlichkeitswerte jedes Scheitelpunkts unter den Bedingungen aller übergeordneten Knoten erhalten. Es gibt 4 Probleme beim Lernen von Klassenmodellen in der Netzwerkstruktur: Wie in der obigen Formel gezeigt, gilt die Netzwerkwissenschaft als optimal, wenn der Wahrscheinlichkeitswert der Struktur höher ist. ② Nachdem Sie die Struktur erhalten haben, erfahren Sie, wie Sie den bedingten Wahrscheinlichkeitswert des Knotens im Netzwerk und seine Parameter ermitteln.
③ Schlussfolgerung: Wenn Ereignis A eintritt, tritt Ereignis B mit Wahrscheinlichkeit ein.
④ Namensnennung: Wenn Ereignis A eintritt, welche Gründe haben es verursacht?
4. Porträtentscheidungspfadkonstruktion und Erklärbarkeitsanwendung
Wie oben erwähnt, ist das Versicherungsempfehlungsszenario ein Hilfsgeschäft, und Benutzer sind nicht subjektiv Bevor Sie zu diesem Modul kommen, besteht kein einheitlicher Zusammenhang zwischen Ihrem Browserverlauf in der APP-Domäne und der Art von Versicherung oder Texterstellung, an der der Benutzer interessiert ist. Wenn Sie in der Suche familienfreundliche Hotels eingeben, wissen Sie, dass Nutzer Nachfrage nach Hotels mit Eltern-Kind-Label haben. Im Hilfslagerszenario ist ein komplexer Überlegungsprozess erforderlich, um herauszufinden, welche Art von Behandlungsmaßnahme wirksam ist. Durch Network Mining wird beispielsweise festgestellt, dass der Verkauf verspäteter Versicherungen bei schlechtem Wetter besser ist.
So modellieren und konstruieren Sie die Knoten und Kanten im Netzwerk in die folgenden Typen:
① Benutzerknoten , das Alter und Geschlecht der Benutzer Das Grundlegende Informationen des Porträts werden als diskrete Variable zu einem Knoten.
② Ereignisknoten Da das Versicherungsszenario empfindlicher auf Ereignisse reagiert als viele andere Produktempfehlungen, z. B. Wetter oder Festivals, sind Benutzer möglicherweise an einer Verzögerungsversicherung oder einer bestimmten Sachversicherung interessiert empfindlich.
③ Kreative Knoten , wie z. B. Warm Guiding Copywriting, dynamisches digitales Copywriting usw. haben unterschiedliche Auswirkungen.
Führen Sie basierend auf den oben genannten drei Haupttypen von Knoten bedingte Wahrscheinlichkeitsberechnungen durch, um die Erstellung des Diagramms abzuschließen.
Die gerade erwähnten Benutzer, Verständnis und kreatives Verständnis durch den Aufbau von Szenen und Ereignissen. Abschließend werden alle Knotentypen in der in der Abbildung oben gezeigten Struktur vereinheitlicht.
Nachdem Sie die Knoten erhalten haben, führen Sie strukturelles Lernen durch und verwenden Sie die Hockman-Bewertungsfunktion + Notensuche. Dieser Prozess umfasst hauptsächlich die Berechnung des A-posteriori-Wahrscheinlichkeitswerts des Netzwerks nach gegebenen Daten und der Netzwerkstruktur sowie die Bewertung, ob das Netzwerk effektiv ist.
Bei der Hockman-Bewertungsfunktion können mehrere Variablen vorhanden sein, diskret oder kontinuierlich. Wenn sie konstruiert werden, werden sie zu einer diskreten Variablen, um die spätere Interpretation und Modellierung zu erleichtern. Wir gehen davon aus, dass jede Variable der Dirichlet-Verteilung entspricht, wenden sie auf die Stichprobe an, um den Posteriorwert zu aktualisieren, berechnen dann den Posteriorwert jedes Knotens, multiplizieren die Wahrscheinlichkeiten zwischen Knoten und erhalten die Bewertung der Struktur. Es kommt relativ häufig vor. Wenn Sie interessiert sind, können Sie später mehr über diese Methode erfahren. Da die Netzwerkstruktur relativ komplex ist, wird im gesamten Netzwerk die Greedy-Search-Methode verwendet. Die Parameterschätzung ist relativ einfach und die bedingte Wahrscheinlichkeitstabelle des Knotens wird basierend auf der Stichprobe aktualisiert.
Interpretierbare Anwendungen, basierend auf Struktur- und Parameteraktualisierungen, können zwei Teile tun:
① Ableiten, welche Art von Entscheidungen der Benutzer auf der Grundlage verschiedener Arten von Beweisen treffen kann, z die oben genannten Beispiele. Sie können Likelihood-Gewichtung oder Loopy Belief Propagation verwenden. Dies sind einige der gebräuchlichsten Methoden.
② Namensnennung, was im Bild oben gezeigt wird, ist zum Beispiel, dass sich die Unfallversicherung plötzlich gut verkauft. Liegt es daran, dass einige Leute sie gerne kaufen? Die Kaufkraft ist relativ hoch, oder weil der Benutzer ein Neuling ist und selten zuvor geflogen ist oder weil das Ziel des Benutzers Plateauattribute aufweist, was zum Kauf aus Angst führt.
Zusammenfassend lässt sich sagen, dass kausale Schlussfolgerungen eine große Rolle in den Crowd- und Empfehlungsstrategien von Versicherungsproduktempfehlungen, roten Umschlägen und Copywriting-Marketing spielen. Gleichzeitig kann es in Kombination mit der Erstellung von Bayes'schen Kausaldiagrammen und visuellen Erklärungen dem Unternehmen einige aussagekräftigere Entscheidungen liefern, sodass es seine Strategien oder Texte kontinuierlich aktualisieren oder einige Richtungsänderungen vornehmen kann. Das Bayes'sche Kausaldiagramm liefert auch neue Ideen für die Merkmalsauswahl.
5. Frage- und Antwortsitzung
F1: Wurde das von Fliggy Insurance Marketing übernommene Uplift-Modell nach seiner Implementierung verifiziert? Welche Technologie nutzte Feishu Insurance vor der Einführung des Kausalinferenzmodells für das Marketing? Welche Einschränkungen gibt es? Was ist die offensichtlichste Verbesserung nach dem Import dieses Kausalinferenzmodells?
A1: ① Die Verifizierung ist da, weil der Effekt auf den Online-AB verbessert wurde.
② Vor dem Import des Kausalmodells besteht die anfängliche Strategie im Red-Envelope-Szenario beispielsweise in der Conversion-Rate-Schätzung. Wenn Sie eine Benutzergruppe vorhersagen können, die ursprünglich nicht konvertieren wird, und Marketingmaßnahmen für sie durchführen können, können Sie sicherstellen, dass die Marketingkosten kontrolliert werden können.
③ Einschränkungen: Die Conversion-Rate des Benutzers ist möglicherweise nicht hoch, was bedeutet, dass er selbst dann nicht konvertiert, wenn Sie ihm einen roten Umschlag geben. Das sind also einige der Probleme, auf die wir zuvor gestoßen sind.
④ Nach dem Import der Kausalmodellinferenz sollte die offensichtlichste Verbesserung in der Benutzerflexibilität liegen. Durch den Einsatz der Kausalinferenztechnologie können wir die Benutzer besser verstehen und die Benutzergruppen-Seeds klarer beurteilen.
F2: Wie wählt man die Merkmale des kausalen Inferenzmodells aus? Welche Funktionen sind im Szenario am wichtigsten?
A2: Wenn im ersten Schritt viele Funktionen ausgewählt werden, ist der Effekt möglicherweise nicht sehr gut. Bei der ersten Auswahl verwenden wir eine einzelne Variable, um zu sehen, ob eine besonders starke Korrelation zwischen der Variablen und dem Gewinn besteht, und fügen sie dann ein. Natürlich können Sie später am Baummodell sehen, dass Features bewertet und dann gefiltert werden, was eine Grundlage für unsere Beurteilung darstellt.
F3: Tritt bei der Differentialmodellierung ein Selektionsbias in den Daten auf? Kann T-Learner mit solchen Problemen nicht umgehen? Warum wird AUUC bei der Auswertung nicht verwendet? Was sind die latenten Variablen bayesianischer Kausalnetzwerke?
A3: ① Differentialmodellierung, die zu einer Fehlerakkumulation führen wird.
② T-Learner besteht hauptsächlich die Offline-Bewertung. Wir waren zu diesem Zeitpunkt ziemlich verwirrt über dieses Problem. Zusammenfassend hatten wir das Gefühl, dass es daran liegen könnte, dass es kein sehr starkes Merkmal gab, um den Gewinn direkt zu charakterisieren. Daher sind die später bei einigen traditionellen Modellen erzielten Ergebnisse nicht sehr schlecht. Dies ist nur eine Bewertung des komplexen Modells und des einfachen Modells. Das einfache Modell ist möglicherweise robuster.
③ AUUC Tatsächlich verwenden wir es auch, aber es ist eigentlich nicht viel anders.
④ Beobachtete Variablen können sich auf Variablen beziehen, die in den Daten beobachtbar sind, während versteckte Variablen sich auf verborgene Variablen beziehen, die wir anhand der beobachteten Daten beschreiben können. Der Begriff „Persönlichkeit“ wird beispielsweise im Internet natürlich nicht verwendet.
F4: Haben Sie jemals versucht, in der Praxis eine Matching-Methode gefolgt von einer Regressionsmethode anzuwenden? Wenn ja, was ist der Effekt?
A4: Habe es noch nicht ausprobiert.
F5: In welche Richtung wird Ihre weitere Erkundung gehen? Beispielsweise prüfen wir derzeit die Richtung der Versicherungsempfehlungen.
A5: Kausaler Rückschluss war letztes Jahr eine unserer Aufgaben. In diesem Jahr geht es vor allem um die Empfehlung des kreativen Textens.
Das obige ist der detaillierte Inhalt vonAnwendung der Kausalempfehlungstechnologie in Marketing und Erklärbarkeit. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
