用户增长三驾马车之模型篇

用户增加三驾马车：模型、策略以及话术。这三者是一个有机的整体，需要协同发挥最大的业务效果，本篇主要讲一下作者对模型的一些认识。

《用户增长三驾马车之策略篇》

《用户增长三驾马车之话术篇》

因作者不是专门模型同学，在这一块不敢班门弄斧，但是可以从业务效果的视角来看模型如何和业务配合，达成客户预期。

一、模型的必要性

这基本上是一个毋庸置疑的问题，但是也不绝对。还是和场景和用户量有关。

笔者在做某业务时，之前由于样本问题，笔者发现的模型的人群有所偏移。在这个时候，就算减少人群包的投放数量，尽可能地选取高分段投放，也发现成本有点失控，其实这个时候是作为业务基础的模型出了问题，最终导致成本的不可控。所以，模型是业务的基本盘，没有模型，相当于盲投，会对业务产生直接影响。所以，笔者的意思是模型是业务的基石，必不可少。模型出现问题，直接影响业务的开展。必须将模型调整好，才能保证业务的正常进行。

但是在下面两个情况下，没有模型也可以开展业务：

1、公司有大量的有效标签，且标签的覆盖度和准确率非常高，这时候用这些标签筛选出来的人群，相对于来说画像很明确，对业务效果的可解释性也很高。笔者接触到的公司很少有这个数据基础，其实就算有这个数据基础，基于这个筛选条件挑选出来的人群毕竟有限。毕竟业务本身不光是要成本考虑，更多是业务规模考虑，这时候可以前筛策略人群结合模型一起为业务服务。

2、在一些场景中，发现模型的排序性对成本的影响很小，按照模型从高往低取到很低，都能在成本范围之内。那这时候，可以模型0分以上都进行投放测试，甚至可以取模型覆盖不到的人群进行投放实验。

二、模型优化方法

这一块笔者不谈具体的模型优化算法，主要谈样本的质量和数量。模型效果的好坏基本取决于公司的数据基础以及相关场景的样本。不同的算法确实模型效果会有差异，但是失去有效的样本，就是无根之木了。

样本的质量和数量和样本的比例有关，这部分很少会遇到问题。关键的问题在于如何定义正负样本。在不同的场景中，正负样本的定义决定了样本的质量，从而根本上影响模型的效果。

以下面场景为例，作者仅作为举例，定义了一些场景的正负样本，主要涉及正负样本的定义、比例、量级、包含的标签以及模型的预测核心目标以及优化目标：

信贷场景拉新：

• 正样本：注册、完件或者授信，其中注册和完件为必填项；
• 负样本：未注册；
• 标签：是否注册、是否完件、是否授信、营销日期（注册前最后一次营销）；
• 比例：正负样本比例1:1～1:10之间；
• 数量：注册正样本至少10万，完件正样本至少5万，授信正样本至少3万；
• 算法选择：分类模型或者排序模型；
• 预测核心目标：注册；
• 优化目标：注册-完件率，完件-授信率；

保险场景建模：

正样本：购买成功；

负样本：未购买；

标签：营销日期、是否购买；

比例：正负样本比例1:1～1:10之间；

数量：正样本至少10万；

算法选择：分类模型；

预测核心目标：购买成功；

优化目标：营销-购买成功率；

三、模型和策略以及话术的配合

模型和策略的配合

笔者在实操中发现，同一模型采用何种策略和以下几个有关：

1、目标客群分析：根据转化人群，如果发现年龄、地域之间有很大的差异，就需 要分开取数；一般来说，运营商之间的差异较大；

2、自有数据体系：例如我们推测在某一部分机型上UV异常，如果有数据覆盖度 和准确率够，也可以做一个对比测试：即同一批客群，排除这部分机型和包含这部分

机型做对比，看对成本有何影响；在信贷场景，也可以在模型上叠加一些多头指标，

看区分度如何。

策略本身只是最大程度发挥模型的区分度。如果不区分策略，统一提取高分段

人群， 由于各个细分客群的转化效果在每个分数段的表现不一，在业务中的表现就是

分数不能下沉，或者效果不稳定。其实其根本原因还是对模型没有充分的利用。

模型和话术的配合

和笔者在前面讲到，模型是一个基本盘，策略和话术是使得模型能发挥最大的作

用。在模型和策略明确之后，那各个人群包的画像也相对固定。但是话术优化会有一定的周期和成本，所以需要根据业务规模看是否需要对话术做专门优化。

例如年轻人群是否需要专门的话术优化？如果某些大省占比总投放量很大，是不是

话术的说法以及关键词匹配要做专门的适配。

模型是把人群的兴趣度做了高低的排序，那话术的作用就是最大程度的转化人群对

产品的兴趣。所以对于不同地区和不同年龄段人群的说法，如果有相应的话术配合，可

以起到相形益彰的作用。

对于模型本篇就讲到这里，笔者不是专门模型人员，通过和模型同学的聊天以及咖啡时间的讨论，撰写此文希望对从业人群有所帮助。