Làm thế nào để người dùng có thể phát hành phiếu giảm giá chính xác bằng cách xây dựng mô hình nâng cao?

Phát hành phiếu giảm giá là một quá trình tiếp thị chính xác. Sử dụng mô hình nâng cao để tính toán mức tăng hoặc lợi nhuận của người dùng giúp chúng tôi tối đa hóa giá trị gia tăng và tránh việc phát hành phiếu giảm giá một cách mù quáng.

Là một nhà điều hành, khi gửi phiếu giảm giá cho người dùng, bạn có thường gặp phải hai sự nhầm lẫn sau không:

Nhầm lẫn 1: Phát hành phiếu giảm giá quy mô lớn dẫn đến chi phí tiếp thị cao và tỷ lệ sử dụng thấp. Nhầm lẫn 2: Tỷ lệ sử dụng phiếu giảm giá rất cao, nhưng hiệu quả gia tăng mà phiếu giảm giá mang lại rất nhỏ và ROI thấp. Tình huống này thường xảy ra do việc phát hành phiếu giảm giá cho người dùng đang hoạt động, những người có khả năng sẽ đặt hàng ngay cả khi phiếu giảm giá không được phát hành.

Hãy cùng khám phá cách giải quyết vấn đề này thông qua các trường hợp thực tế.

Bối cảnh: Gửi tin nhắn SMS thu hồi để thu hồi người dùng đã mất. Nếu có 1 triệu người dùng trong nhóm bị mất và chúng ta chỉ có ngân sách là 100.000 tin nhắn SMS, làm thế nào chúng ta có thể chọn 100.000 người dùng này để tối đa hóa lợi nhuận?

Giải pháp:

1. Xác định mức độ thu hồi các điểm quan tâm. Nếu phiếu giảm giá được phát hành cho 300 điểm trở lên, 50 điểm sẽ bị trừ.

2. Chọn ngẫu nhiên 5.000 người dùng trong nhóm thử nghiệm và nhóm đối chứng. Nhóm thực nghiệm sẽ nhận được phiếu giảm giá, trong khi nhóm đối chứng sẽ không nhận được phiếu giảm giá.

3. Tái chế kết quả trong một chu kỳ chuyển đổi và đánh dấu kết quả đã sử dụng và chưa sử dụng

4. Xây dựng mô hình chênh lệch nâng cao và sử dụng nhóm thực nghiệm và nhóm đối chứng để xây dựng mô hình phản ứng nhị phân hồi quy

5. Người dùng tiếp thị được đưa vào mô hình để tính điểm nâng cao và 90.000 người dùng còn lại được chọn theo thứ tự giảm dần của điểm nâng cao để phát hành phiếu giảm giá

6. So sánh giá trị sử dụng người dùng mục tiêu của mô hình để chứng minh giá trị của tiếp thị chính xác

1. Đầu tiên, chúng ta hãy giới thiệu nguyên lý mô hình nâng cao

Mô hình nâng cao là một mô hình được sử dụng để ước tính Hiệu quả điều trị cá nhân (ITE), tức là hiệu quả của hành động can thiệp (điều trị) đối với hành vi phản ứng (phản hồi) của người dùng. Ý tưởng cơ bản của thí nghiệm Uplift là thiết lập một mô hình dự đoán để ước tính xác suất phản hồi của mỗi người dùng có và không có can thiệp, sau đó tính toán sự khác biệt giữa hai xác suất này, tức là giá trị tăng.

Nguyên lý logic rất đơn giản. Nói một cách đơn giản, mục đích của nó là dự đoán tỷ lệ mua lại của người dùng trong hai trường hợp: có và không có phiếu giảm giá được phát hành. Sự khác biệt chính là giá trị lợi ích của sự can thiệp. Hoạt động này có thể loại bỏ những người dùng sẽ quay lại ngay cả khi phiếu giảm giá không được phát hành.

Thứ hai, sinh viên chuyên ngành vận hành có thể xây dựng được mô hình dự đoán như thế này không?

Vấn đề mà nhiều công ty gặp phải là một nhóm kỹ sư đắm chìm vào việc nghiên cứu các mô hình dữ liệu lớn này, nhưng nhóm người này lại tách biệt khỏi công việc kinh doanh. Bản chất của mô hình dự đoán là liệu kỹ thuật xây dựng đặc điểm người dùng có thể thể hiện hiệu quả mong muốn của người dùng hay không. Các tính năng người dùng mà các kỹ sư có thể nghĩ ra không gì khác hơn là hành vi duyệt web của người dùng, chẳng hạn như số lần mở ỨNG DỤNG, thời gian duyệt và số trang đã xem; hành vi mua hàng của người dùng, chẳng hạn như thêm vào giỏ hàng, mục yêu thích, giao dịch mua, tần suất tiêu dùng, khoảng thời gian tiêu dùng, v.v. Liệu những tính năng này có thể dự đoán hiệu quả hành vi mua hàng của người dùng không? Rõ ràng là không.

Ví dụ, tập hợp mô hình dữ liệu này

Việc lập mô hình chỉ dựa trên dữ liệu hành vi người dùng nông cạn này sẽ chỉ đưa ra kết quả mang tính suy đoán thuần túy. Theo góc độ logic dữ liệu, người dùng càng thu thập và thêm nhiều sản phẩm vào giỏ hàng thì khả năng người dùng thực hiện giao dịch mua càng cao. Tuy nhiên, theo quan điểm thực tế của người dùng, việc người dùng có mua hàng hay không bị ảnh hưởng bởi nhiều yếu tố, chẳng hạn như so sánh giá trên các nền tảng cạnh tranh và liệu người dùng có đang trong tâm trạng tốt hay không. Những đặc điểm này chính xác là những gì mà sinh viên chuyên ngành vận hành, những người gần gũi nhất với doanh nghiệp và người dùng, cần khám phá.

Tôi tin rằng nhiều sinh viên chuyên ngành vận hành không có khả năng khai thác và mô hình hóa dữ liệu. Mục tiêu của bài viết này chỉ đơn giản là giới thiệu cách sinh viên chuyên ngành vận hành có thể sử dụng các công cụ để triển khai khai thác và mô hình hóa dữ liệu lớn, nhằm nâng cao hơn nữa giá trị của bản thân.

2. Chúng ta hãy xem xét cấu trúc thực tế của mô hình

Bước 1: Kỹ thuật tính năng người dùng

Ngoài các đặc điểm về hành vi duyệt web, hành vi tiêu dùng và hành vi sở thích của người dùng, điều quan trọng hơn là phải khám phá hành vi xu hướng của người dùng, chẳng hạn như xu hướng của khoảng thời gian tiêu dùng, số lượng danh mục tiêu dùng, số lượng tiêu dùng, v.v. Nếu danh mục tiêu dùng của người dùng thay đổi từ đa dạng sang đơn lẻ, hoặc phân phối giá đơn vị của người tiêu dùng thay đổi từ thấp sang cao hoặc từ cao xuống thấp, hoặc tần suất tiêu dùng thay đổi từ ổn định sang ngẫu nhiên hoặc từ ngẫu nhiên sang ổn định, tất cả những điều này đều có thể dự đoán hành vi tiêu dùng tiếp theo của người dùng.

Ví dụ, người dùng trên nền tảng thương mại điện tử đã tiêu thụ các sản phẩm bao gồm sản phẩm kỹ thuật số 3C, thực phẩm tươi sống và nhu yếu phẩm hàng ngày trong chu kỳ tiêu dùng gần đây nhất. Trong chu trình này, hạng mục tiêu thụ duy nhất là 3C. Hơn nữa, giá trị đơn hàng trung bình đã tăng từ vài trăm lên hàng nghìn và xu hướng chu kỳ mua lại đã tăng từ 30 ngày lên 60 ngày. Xác suất người dùng này sẽ tiếp tục mua thực phẩm tươi sống là bao nhiêu?

Bằng cách khai thác xu hướng hành vi của người dùng và kết hợp chúng với dữ liệu phản hồi của thí nghiệm AB, có thể xây dựng được mô hình dự đoán.

Bước 2: Xây dựng mô hình phản hồi hồi quy

Uplift cần xây dựng các mô hình phản ứng tương ứng cho nhóm chiến lược và nhóm kiểm soát. Cuối cùng, người dùng mục tiêu nhập hai mô hình tương ứng để tính điểm nâng cao.

Với sự trợ giúp của các công cụ khai thác phân tích, chúng tôi xây dựng luồng dữ liệu trên và người dùng tính toán tỷ lệ phản hồi trong điều kiện can thiệp và không can thiệp

Đầu tiên, chúng ta hãy xem xét độ chính xác dự đoán của mô hình.

70% dữ liệu mô hình được sử dụng để đào tạo và 30% để thử nghiệm. Độ chính xác dự đoán của tập huấn luyện là 79,53% và giá trị AUC đạt 0,848; độ chính xác dự đoán của bộ kiểm tra là 69,7% và giá trị AUC là 0,744. Hiệu suất dự đoán của mô hình là chấp nhận được.

Bước 3: Cách phát hành coupon chính xác

Mô hình phản ứng nâng cao có thể giúp chúng ta tạo ra một số loại biểu đồ dự đoán, cụ thể là biểu đồ phản ứng, biểu đồ lợi nhuận và biểu đồ lợi nhuận. Chúng ta có thể sử dụng các biểu đồ này để hướng dẫn các hoạt động tiếp thị phiếu giảm giá.

1) Chọn người dùng để phát hành phiếu giảm giá dựa trên kết quả biểu đồ phản hồi

Biểu đồ phản hồi cho thấy tỷ lệ phản hồi thực tế (chẳng hạn như sử dụng phiếu giảm giá) giữa những người dùng ở các phần trăm khác nhau. Trong chiến dịch phiếu giảm giá, biểu đồ phản hồi có thể hiển thị tỷ lệ phần trăm người dùng trong mỗi nhóm phần trăm thực sự sử dụng phiếu giảm giá.

Theo biểu đồ phản ứng tích lũy ở trên, chúng ta có thể thấy đường cong giảm dần từ gần 100% và cuối cùng có xu hướng thành đường ngang 50%. Điều này cho thấy ở phía bên trái của biểu đồ, mô hình dự đoán tỷ lệ phản hồi rất cao và khi di chuyển sang bên phải (tức là bao phủ nhiều người dùng hơn), tỷ lệ phản hồi giảm dần. Để xác định số lượng người dùng cần phát hành phiếu giảm giá, cần xem xét một số yếu tố sau:

1. Tỷ lệ phản hồi chung: Đây là tỷ lệ phần trăm trung bình của tất cả người dùng đã phản hồi phiếu giảm giá. Trong biểu đồ phản hồi, giá trị này có vẻ là 50%.
2. Tỷ lệ phản hồi mục tiêu: Tỷ lệ phản hồi tối thiểu bạn muốn đạt được khi phát hành phiếu giảm giá. Tỷ lệ này thường cao hơn tỷ lệ phản hồi chung.
3. Chi phí và lợi ích: Chi phí và lợi ích dự kiến ​​của việc phát hành phiếu giảm giá. Chúng ta cần tìm ra sự cân bằng để tối đa hóa lợi ích trong khi vẫn giữ chi phí ở mức chấp nhận được. Trên biểu đồ phản ứng tích lũy, chúng ta có thể tìm thấy điểm mà tỷ lệ phản ứng đạt đến tỷ lệ phản ứng mục tiêu. Bắt đầu ở phía bên trái của đồ thị và di chuyển sang phải dọc theo đường cong cho đến khi bạn tìm thấy một điểm có tỷ lệ phản hồi bằng hoặc cao hơn một chút so với tỷ lệ phản hồi mục tiêu của chúng ta. Phần trăm tương ứng với điểm này là số lượng người dùng mà bạn cần phát hành phiếu giảm giá. Ví dụ, nếu tỷ lệ phản hồi mục tiêu của chúng ta là 70%, chúng ta cần tìm điểm trên đường cong tại đó tỷ lệ phản hồi là 70%. Giả sử phần trăm tương ứng với điểm này là 20%, điều đó có nghĩa là chúng ta nên phát phiếu giảm giá cho 20% người dùng hàng đầu.

2) Phát hành phiếu giảm giá dựa trên biểu đồ lợi nhuận

Biểu đồ tăng trưởng cho thấy mức tăng tương đối của các phản ứng được mô hình dự đoán so với lựa chọn ngẫu nhiên. Trong chiến dịch phiếu giảm giá, biểu đồ lợi nhuận có thể chỉ ra mức tăng doanh số bổ sung từ phiếu giảm giá trong số một tỷ lệ phần trăm người dùng nhất định.

Trong hình, giá trị tăng là 1,5914, nhìn chung có nghĩa là hiệu ứng dự đoán của mô hình tốt hơn lựa chọn ngẫu nhiên 1,5914 lần. Cụ thể, nếu tỷ lệ phản hồi được chọn ngẫu nhiên là một giá trị cố định thì tỷ lệ phản hồi mà mô hình dự đoán sẽ gấp 1,5914 lần giá trị cố định này. Giá trị tăng này thường được sử dụng để đánh giá hiệu suất của mô hình dự đoán ở một phần trăm cụ thể, đặc biệt là trong các chiến dịch tiếp thị để xác định nhóm khách hàng nào có khả năng phản hồi chương trình khuyến mãi cao nhất. Trong các ứng dụng thực tế, nếu giá trị khuếch đại lớn hơn 1, điều đó có nghĩa là khả năng dự đoán của mô hình tốt hơn lựa chọn ngẫu nhiên. Trên biểu đồ tăng, giá trị tăng là 1,5914 ở phần trăm 46 cho biết trong số 46% người dùng đầu tiên được mô hình dự đoán là có khả năng phản hồi cao nhất, tỷ lệ phản hồi gấp 1,5914 lần tỷ lệ phản hồi của những người dùng được chọn ngẫu nhiên, đây là mức cải thiện tương đối cao và cho biết dự đoán của mô hình ở phần trăm này là có hiệu quả.

3) Phát hành phiếu giảm giá dựa trên biểu đồ lợi nhuận

Biểu đồ lợi nhuận hiển thị tổng lợi nhuận thu được khi sử dụng phiếu giảm giá giữa các phần trăm người dùng khác nhau. Đối với các chiến dịch phát phiếu giảm giá, biểu đồ lợi nhuận có thể giúp chúng tôi đánh giá lợi ích tài chính tổng thể của việc phân phối phiếu giảm giá cho các nhóm người dùng khác nhau.

Các thiết lập tham số như sau:

• Chi phí: Chi phí phát hành mỗi phiếu là 5 nhân dân tệ.
• Doanh thu: Doanh thu cho mỗi phản hồi thành công (khách hàng sử dụng phiếu giảm giá) là 10 nhân dân tệ.
• Chiều rộng: Chiều rộng được đặt thành 1%, nghĩa là mỗi điểm dữ liệu trên biểu đồ lợi nhuận đại diện cho 1% dân số người dùng.

Điều này cung cấp cái nhìn chi tiết về cách lợi nhuận thay đổi khi số lượng người dùng tăng 1%. Tỷ lệ phần trăm 46%, lợi nhuận 630: Trong hình, khi tỷ lệ phần trăm của nhóm người dùng mục tiêu đạt 46%, lợi nhuận tích lũy đạt 630 nhân dân tệ. Điều này có nghĩa là nếu phiếu giảm giá được phân phối cho 46% người dùng đầu tiên có khả năng phản hồi theo thứ tự mà mô hình dự đoán thì tổng lợi nhuận dự kiến ​​sẽ là 630 nhân dân tệ.

Tác giả: Triệu Văn Bưu, tài khoản công khai WeChat: User Operation Observation (ID: yunyingguancha)