对于平台来说，采用最优化的策略发放这些不同类型的用户权益，可以有效的平衡消费者、商家、平台这三方的利益：消费者可以用更加优惠的价格买到心仪的商品；商家多了一种让利的方式，消费者因为实惠产生了更多的购买，从而提升商家的销售额；平台丰富了大促的营销玩法和氛围，有利于整体GMV和客单价的提升。
业务分析
双11购物津贴是2017年大促重量级的优惠营销玩法，是天猫双11全球购物狂欢节全场通用购物抵用券，用于抵扣商品支付金额，购物津贴按类目维度阶梯设置满减门槛，可以在天猫、航旅等平台跨店凑单使用。购物津贴在消费者购物的过程中可以起到促进成交、提高客单价的作用。
红包是另一种常见的权益形式，具有宣传造势及社交的软效果，结合不同的发放或者领取方式，今年双11有火炬红包、狂欢城红包、切红包等多种互动玩法。其中火炬红包希望通过简单的红包获取方式、爆发式的红包传播、期权式的红包统一开奖，形成全民可玩的话题爆点，提升双11活动影响力。
不同类型的权益和玩法有着不同的营销目的，形成了不同的发放策略，对于发放节奏、金额的控制有多种因素需要考虑。我们以购物津贴和红包的发放为例，列举了几个需要解决的核心问题。
需要解决的问题
- 消费者双11当天消费金额预估：根据预估的消费金额，计算消费者需要的购物津贴，确保购物津贴有稀缺感的同时，最大化的促进成交。
- 消费者优惠敏感度分析：对于不同的消费者，发放不同金额的红包，在保证使用率的同时，可以惠及更多的消费者。
- 消费者传播力分析：在火炬红包活动中，可以给高传播用户更高获取未点亮红包的概率，以触达、传播更多的用户。
- 消费者类目偏好分析、流失分析：用于产出需要重点关注的人群（比如“偏科”人群、流失人群、光看不买人群），可以发放特定的红包提升用户转化。
针对上述问题，产出了不同的模型。可以针对不同的营销目的，组合使用多种模型，形成相应权益类型的发放策略。以下将简要介绍各个模型及部分业务结果。
双11当天消费金额预估模型
根据消费者历年双11的购买记录，产出一个可以根据消费者近期行为数据预测2017年双11当天消费金额的模型。消费者的特征主要分为行为特征和属性特征，其中行为特征又分为短期、长期、大促期行为，如下图所示：
消费金额预估中比较核心的两个模型是消费金额回归模型和高额人群分类模型，分别用于解决一般用户的消费金额预估问题以及高额用户的判别问题。一般用户的消费金额预估模型对于高消费人群的预测结果偏差较大，使用分类模型对于区分高额人群的效果比较好：
通过准确的预测消费者双11当天的消费金额、简化使用方式、优化发放策略，使用购物津贴的消费者占比提升51%，使用购物津贴的GMV占比提升72%。
消费者优惠敏感度模型
通过消费者使用各种权益的历史购买记录，分析消费者对不同优惠金额的敏感程度。选用XGBoost模型，使用了如下的用户特征：
线上A/B测试表明，在红包整体发放金额相同的条件下，按照消费者权益敏感度进行个性化发放，对于特定人群，红包人均使用率提升了17.7%，人均消费金额提升16.4%。
消费者传播力模型
通过分析消费者历史互动行为，利用互动、次数等特征拟合用户传播力因子；以近半年消费者平台行为为基础，利用登录、浏览、加购、收藏、购买等特征拟合用户活跃度因子。根据用户传播力因子和用户活跃度因子，将人群划分为高传播高活跃人群、高传播低活跃人群、低传播高活跃人群、低传播随机人群。
用户活动互动关系图
在火炬红包的传播过程中，高传播高活跃人群表现出了更强的传播能力。可以利用不同人群的传播特性，有针对性的优化火炬红包的玩法，使得活动的参与人数最大化，提升火炬红包的影响力。
消费者类目偏好模型
消费者类目偏好模型的预测目标是未来7天消费者在特定类目下是否发生点击，模型的输入除了常规的基础特征外，还采用了艾宾浩斯遗忘记忆曲线模拟消费者对类目偏好的衰减作为特征。
基础特征是从消费者在90天的历史行为中提取不同时间窗口的行为，将特征划分为用户、类目、用户&类目三个大类别。每一类特征对行为进行统计分析，按照最近7天，30天、60天、90天等时间窗口维度统计。特征体系如下所示：
将艾宾浩斯遗忘曲线理论应用到消费者兴趣类目中，消费者对类目感兴趣会通过平台上的一系列行为来体现，如点击类目下的商品、收藏/购买类目下的商品等。将用户对类目的行为考虑为用户的学习记忆过程，这个过程用户对类目的偏好程度同样也会随时间衰减。
图中竖轴表示学习中记住的知识数量，横轴表示时间(天数)，曲线表示记忆量变化的规律。
衰减因子拟合方案：
1. 对用户某一行为(浏览/加购/收藏/购买)，按时间t计算，在模型中采用的是离线数据按天统计。偏好prefer随时间t的衰减趋势如下图指数模型所示，即：
2. 对用户在不同时间窗口中的行为，统计行为频次。不同行为类型设定不同权重，从而影响衰减速率。例如，一共有n种行为，用户时间t内针对某一类目下的各行为发生的次数累计分别为X1、X2…Xn，则时间t内用户对类目行为量：
3. 根据（1）、（2）计算用户对类目的偏好程度，时间窗口为m天：
最终采用逻辑回归（LR）模型训练和预测，特征包含用户基础特征及拟合出的类目偏好衰减因子。模型效果如下图所示：
流失用户模型基于用户在过去一段时间内在平台上行为数据的变化，预测用户流失可能性。该模型使用的主要特征包含应用平台基础特征、用户个人属性特征、用户的行为数据（例如用户在天猫、淘宝等平台上的浏览、加购、收藏、购买、品牌关注等行为）、不同时间窗口内的统计特征（例如移动端3天内点击数、7天内点击数、15天内点击数、30天内点击数，pc端3天内点击数7天内点击数等），具体如下：
流失用户预测模型采用随机森林（RF）模型进行训练，模型效果如下图所示：
未来权益的发放应该会更加智能化，可以根据不同的营销目的，结合商家、品牌、行业、大促自身的特点（比如货品结构、消费者构成等因素），自动的选择权益类型的组合、进行权益设置、选择投放人群，在合适的时间、场景，将需要的权益以恰当的方式发放给消费者，同时也要考虑权益组合的复杂性，降低消费者认知、使用的门槛，提升购物的体验。
原文发布时间为：2018-01-17
本文作者：志昭
