面向用户营销效果优化的异质因果学习

用户营销是以消费者为中心的互联网公司的重点关注领域。学习算法能有效优化营销活动，从而提升用户参与度，并促进对相关产品的交叉营销。通过奖励吸引用户，营销方法能有效提升用户在目标产品中的活跃度。奖励会产生显著成本，但可通过未来收入的增长来抵消。大多数方法依赖于流失预测来防止用户流失以做出营销决策，这无法捕捉基于业务指标的反事实结果之间的提升。其他预测模型能够估计异质处理效应，但未能捕捉成本与收益之间的平衡。我们提出了一种用于用户营销的处理效应优化方法。该算法从过去的实验中学习，并利用新颖的优化方法针对用户选择优化成本效率。该方法利用深度学习优化模型对用户进行处理和奖励以优化决策，在产生高性价比、有影响力的营销活动方面非常有效。我们的方法在与深度学习方法的集成以及处理业务约束方面展现出卓越的算法灵活性。我们模型的有效性超越了准oracle估计模型和因果森林。我们还建立了反映成本效率和现实世界业务价值的评估指标。我们提出的约束优化和直接优化算法相比现有技术中表现最佳的方法及基线方法提升了 24.6%。该方法论适用于许多产品场景（如最优处理分配），并已在全球范围内投入生产部署。