【技术实现步骤摘要】
本专利技术涉及金融智能营销，尤其是一种基于因果推断的精准营销方法。
技术介绍
1、经过近几年的积累，信用卡营销已度过粗放发展的阶段，逐渐转向精细营销。银行需要找到对营销手段敏感的客户，针对不同人群进行差异化的营销策略。在发放优惠券时，业界通常会采取基于响应模型的核销率最大化的方法，即通过用户的历史优惠券使用情况来预估本次优惠券发放时用户使用优惠券的概率，再对使用优惠券概率更大的用户优先发放优惠券。在这种圈选方法下，人群圈选的目标是优惠券核销率最大化，但这一目标并非直接使企业的利润最大化。
2、如图1所示，可以根据用户对优惠券的敏感程度和对产品的需求将用户大致划分为四大类：1)优惠券敏感型：无优惠券时，该类用户的转化概率较低；有优惠券时，该类用户的转化率相比无优惠券时有明显的提升。2)自然转化型：无论是否有优惠券，该类用户的转化概率都比较高。相比无优惠券时，有优惠券的转化概率提升幅度较小。3)无动于衷型：无论是否有优惠券，该类用户的转化概率都非常低。即使发放优惠券，也不能明显提升该类用户的转化意愿。4)营销反感型：相比无优惠券时，该类用户在有优惠券的情况下，转化概率反而降低。
3、基于响应模型的核销率最大化的模型方法会命中自然转化型和优惠券敏感型的用户，有时甚至命中较大比例的自然转化型用户。而对于银行来说，给自然转化型的信用卡用户发放优惠券的成本是没有必要的。所以如何较为准确的找到优惠券敏感型的用户，是目前希望解决的问题。
技术实现思路
1、本专利技术人针对上
2、一种基于因果推断的精准营销方法，包括如下步骤：
3、选取用户分为无优惠券样本组、第一优惠券样本组、第二优惠券样本组，并进行abtest；其中，无优惠券样本组作为对照组，第一、第二优惠券样本组作为实验组；
4、对两个实验组整体做转化率的显著性检验，若检验值小于第一阈值，则基于对照组样本数据和对应的转化率建立转化率预测模型，其中转化是指选取的用户发生任意一笔剔除核销了发放优惠券的消费；
5、基于转化率预测模型将对照组和实验组中的自然转化型用户和营销反感型用户剔除；
6、对比转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略。
7、其进一步的技术方案为，对比转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，包括：
8、针对第一优惠券样本组、第二优惠券样本组分别建立其单干预因果推断模型，以进行转化率的预测；
9、随机发放优惠券，对比每个单干预因果推断模型与转化率预测模型的预测结果，若转化率均有提升，则选择处理效应更大的单干预因果推断模型提供的营销策略，作为最优的因果推断模型策略。
10、其进一步的技术方案为，对比转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，还包括：
11、将转化率预测模型的预测结果和两组单干预因果推断模型的预测结果通过加权的方式相结合，建立多干预因果推断模型，以实现将用户分配到处理效应更高的组中，得到多干预下的用户分配策略；
12、判断多干预因果推断模型中是否有转化率高于处理效应更大的单干预因果推断模型策略，若存在，则选择转化率最高的多干预因果推断模型提供的用户分配策略，作为最优的因果推断模型策略，否则仍以处理效应更大的单干预因果推断模型提供的营销策略，作为最优的因果推断模型策略。
13、其进一步的技术方案为，将单干预因果推断模型和转化率预测模型的预测结果之差作为样本个体处理效应的估计，表达式为：
14、yi|do(t＝1)-yi|do(t＝0)；
15、其中，do(t＝1)表示发放优惠券，do(t＝0)表示不发放优惠券，y为相应的预测结果。
16、其进一步的技术方案为，选取用户分为无优惠券样本组、第一优惠券样本组、第二优惠券样本组，并进行abtest包括：
17、获取每个用户的个人基础信息、账户信息、前n个月用卡行为信息、历史营销反馈情况、权益使用情况和征信信息，以构建客户指标体系；
18、对客户指标体系进行处理，从中选取三组镜像用户分别放到无优惠券样本组、第一优惠券样本组、第二优惠券样本组；
19、无优惠券样本组不发放优惠券，第一优惠券样本组发放一种面值的优惠券，第二优惠券样本组发放另一种面值的优惠券，跟踪三组镜像用户的转化率。
20、其进一步的技术方案为，对客户指标体系进行处理，从中选取三组镜像用户分别放到无优惠券样本组、第一优惠券样本组、第二优惠券样本组，包括：
21、用主成分分析法对客户指标体系进行降维，选择方差累计比例大于第二阈值的前几个主成分，并计算用户在前几个主成分的得分；
22、对前几个主成分的得分进行等距分箱，从每箱中分三次抽取相同数量的近m个月无主动消费的用户作为三组镜像用户，分别放到无优惠券样本组、第一优惠券样本组、第二优惠券样本组；
23、其中m＜n。
24、其进一步的技术方案为，对两个实验组整体做转化率的显著性检验，包括：
25、每个实验组分别与对照组进行z检验，表达式为：
26、
27、其中，x1表示对照组中转化的用户数量，x2表示实验组中转化的用户数量，n1表示对照组样本数量，n2表示实验组样本数量。
28、其进一步的技术方案为，基于转化率预测模型将对照组和实验组中的自然转化型用户和营销反感型用户剔除，包括：
29、将对照组和实验组的样本输入至转化率预测模型，观察模型输出结果与转化率预测模型的gini曲线的关系，转化率在曲线之下所对应的样本为营销反感型用户，转化率与曲线接近重叠所对应的样本为自然转化型用户；
30、将营销反感型用户和自然转化型用户从对照组和实验组中剔除。
31、其进一步的技术方案为，该方法还包括：
32、若检验值小于第一阈值，则对对照组和实验组进行亚组分析，筛选出对优惠券敏感型的用户。
33、本专利技术的有益技术效果是：
34、本方法基于用户多种信息构建了客户指标体系，从中选取三组“镜像”用户进行abtest，再对两个实验组做转化率的显著性检验，在实验组和对照组存在显著差异时，建立转化率预测模型作为基准模型，与因果推断模型在成本发放效率上的差异进行对比，从而确定最优的因果推断模型策略；采用本方法一步步过滤客户群体，最终基于单干预或多干预因果推断模型给出的策略可以较为准确的找到优惠券敏感型的用户。
本文档来自技高网...【技术保护点】
1.一种基于因果推断的精准营销方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于因果推断的精准营销方法，其特征在于，对比所述转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，包括：
3.根据权利要求2所述的基于因果推断的精准营销方法，其特征在于，对比所述转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，还包括：
4.根据权利要求2所述的基于因果推断的精准营销方法，其特征在于，将所述单干预因果推断模型和所述转化率预测模型的预测结果之差作为样本个体处理效应的估计，表达式为：
5.根据权利要求1所述的基于因果推断的精准营销方法，其特征在于，选取用户分为无优惠券样本组、第一优惠券样本组、第二优惠券样本组，并进行ABtest包括：
6.根据权利要求5所述的基于因果推断的精准营销方法，其特征在于，对所述客户指标体系进行处理，从中选取三组镜像用户分别放到无优惠券样本组、第一优惠券样本组、第二优惠券样本组，包括：
7.根据权利要求1所述的基于因果
8.根据权利要求1所述的基于因果推断的精准营销方法，其特征在于，基于所述转化率预测模型将所述对照组和所述实验组中的自然转化型用户和营销反感型用户剔除，包括：
9.根据权利要求1-8任一所述的基于因果推断的精准营销方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.一种基于因果推断的精准营销方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于因果推断的精准营销方法，其特征在于，对比所述转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，包括：
3.根据权利要求2所述的基于因果推断的精准营销方法，其特征在于，对比所述转化率预测模型与因果推断模型在成本发放效率上的差异，从而确定最优的因果推断模型策略，还包括：
4.根据权利要求2所述的基于因果推断的精准营销方法，其特征在于，将所述单干预因果推断模型和所述转化率预测模型的预测结果之差作为样本个体处理效应的估计，表达式为：
5.根据权利要求1所述的基于因果推断的精准营销方法，其特征在于，选取...
【专利技术属性】
技术研发人员：郁瑞澜，姚奕朱，徐菊，
申请(专利权)人：无锡农村商业银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。