Python实战：利用Uplift模型识别营销敏感用户提升市场策略（二）

利用Uplift模型识别营销敏感用户提升转化率

上篇

1.数据基本情况探索

2.数据预处理及相关性分析

3.样本平衡性验证

下篇

1.构建营销增益模型

2.营销增益模型效果评价

继上周的内容继续分享，上周内容回顾见 https://mp.weixin.qq.com/s/BtA6JyEMQ32QgNJ8XBx3eg

1

构建营销增益模型

经过上述过程的处理，数据集已经处理成营销增益模型所需的输入形式了。下面正式开始构建营销增益模型，和其他有监督模型一样，营销增益模型也需要划分训练集和验证集。我们通过如下的代码实现数据特征与数据标签的分离，同时按照7:3的比例划分训练集和测试集。

from sklearn.model_selection import train_test_split
import xgboost as xgb
def uplift_split(df_model:pd.DataFrame):
    #数据集划分，按照7:3比例划分数据集
    X = df_model.drop(['target','target_class'],axis=1)
    y = df_model.target_class
    X_train, X_test, \
y_train, y_test = train_test_split(X,
                                                  y,
                                test_size=0.3,
                                random_state=42,
                                 stratify=df_model['treatment'])
    return X_train,X_test, y_train, y_test

数据集划分完成后，我们通过xgboost构建营销增益模型。营销增益模型实现过程如下代码所示，主要可以分为三个步骤。首先，在测试数据集上，通过xgboost算法训练模型；其次，在验证数据集上计算营销增益得分，即营销增益响应率（Incremental Response Rate ，IRR）；最后，绘制混淆矩阵评价模型效果。

def uplift_model(X_train:pd.DataFrame,
                 X_test:pd.DataFrame,
                 y_train:pd.DataFrame,
                 y_test:pd.DataFrame):
    #使用XGB模型训练数据集

    result = pd.DataFrame(X_test).copy()   
    uplift_model =xgb.XGBClassifier().fit(X_train.drop('treatment', axis=1), y_train)

    # 预测测试集的结果
    uplift_proba \
    =uplift_model.predict_proba(X_test.drop('treatment', axis=1))
    result['proba_CN'] = uplift_proba[:,0]
    result['proba_CR'] = uplift_proba[:,1]
    result['proba_TN'] = uplift_proba[:,2]
    result['proba_TR'] = uplift_proba[:,3]
    result['uplift_score'] = result.eval（'、
    proba_CN/(proba_CN+proba_CR) 、
    + proba_TR/(proba_TN+proba_TR) 、
    - proba_TN/(proba_TN+proba_TR) 、
    - proba_CR/(proba_CN+proba_CR)') 

    #输出绘制混淆矩阵，评判模型效果
    valid_pred =uplift_model.predict(X_test.drop('treatment', axis=1))
    cm = sk.metrics.confusion_matrix(y_test,valid_pred)

    fig, ax= plt.subplots(figsize=(10,10))
    sns.heatmap(cm, annot=True, fmt='g',cmap="YlGnBu",ax = ax); #annot=True to annotate cells

    #轴标签、图名
    ax.set_xlabel('Predicted labels');
    ax.set_ylabel('True labels');
    ax.set_title('Confusion Matrix');
    ax.xaxis.set_ticklabels(['CN', 'CR','TN','TR']);
ax.yaxis.set_ticklabels(['CN', 'CR', 'TN','TR']);

result['target_class'] = y_test
    return result

此处对营销增益响应率做一个说明，营销增益响应率是描述与未受到促销干预的用户相比，其购买比率提升的程度，计算公式如下所示。

参考：https://www.worldscientific.com/doi/abs/10.1142/S0219622019500172

公式（1）中T表示受到干预的全部用户，即(TR + TN)；C表示未受到干预的全部用户。

最后将数据集分割函数和建模函数整合到一起构建营销整合模型，实现代码如下。

def uplift(df_model:pd.DataFrame):
    # 整合数据集分割函数以及建模函数
    X_train, X_test, y_train, y_test =uplift_split(df_model)
    result = uplift_model(X_train, X_test,y_train, y_test)
return result

2

营销增益模型效果评价

完成建模之后的工作就是评价模型效果，这一节我们通过混淆矩阵、增益值分布以及Qini曲线评价营销增益模型效果。

1.混淆矩阵

第一部分已经完成营销增益模型的构建，如下代码实现对“买一送一”营销策略的用户转化分类，并在验证集上通过混淆矩阵检验模型效果，混淆矩阵结果如图1所示。

bogo_uplift = uplift(df_model_bogo)

图1 “买一送一”营销策略的混淆矩阵

同样地，对于“打折促销”策略也是用营销增益模型识别营销敏感人群，实现代码如下，混淆矩阵结果如图2所示。

discount_uplift = uplift(df_model_discount)

图2 “打折促销”策略的混淆矩阵

2.增益值分布

除了混淆矩阵外，增益值也是直观衡量营销策略的指标。对于“买一送一”策略，我们通过如下代码绘制了营销增益分数的分布。

plt.figure(figsize= (10,6))
plt.xlim(-.05,.1)
plt.hist(bogo_uplift.uplift_score,bins=1000, color=['#2077B4'])
plt.xlabel('Upliftscore')
plt.ylabel('Numberof observations in bogo')
plt.title("Upliftscore of bogo")

如图3展示了实施“买一送一”带来的用户转化提升。相比于没有任何营销策略，“买一送一”策略能够对用户转化带来积极的作用，当然对于部分用户也会出现反作用。

图3 “买一送一”策略增益值分布

同样地，对于“打折促销”策略我们也使用同样的方法对营销增益值进行可视化，实现代码如下所示。

plt.figure(figsize= (10,6))
plt.xlim(-.05,.1)
plt.hist(discount_uplift.uplift_score,bins=1000, color=['#2077B4'])
plt.xlabel('Upliftscore')
plt.ylabel('Numberof observations in discount')
plt.title("Upliftscore of discount")

结果如图4所示，“打折促销”策略对于用户的转化同样存在积极作用和消极作用，但是与“买一送一”策略相比，“打折促销”策略对用户转化的积极影响更胜一筹。

图4 “打折促销”策略增益值分布