度小满智能获客系统实践

大家好，今天分享的主题是：度小满金融信贷业务的智能获客系统实践。根据过去两年的工作经验，将其总结沉淀为渠道、效率、数据理解和度小满智能获客系统这四个环节，其中前三个环节是对获客的理解，渠道指明了获客方向，效率好比获客的发动机，数据则是获客的燃料。

渠道

1. 都有哪些渠道？

获客时首先会思考这样的问题：获客的体量有多大？获客的人群是什么样的？获客的渠道有哪些？获客的成本是多少等等。实际工作中，我们应先充分开发公司内部数据，逐步接入外部数据。常见的获客渠道有：直接触达，竞价广告、流量合作和线下渠道。

• 直接触达，依托公司内部数据，具有高转化率，低接入成本，高可操性，但受限于客户规模；

• 竞价广告，公司外部主要获客渠道，克服了客户规模弊端，但是市场竞争激烈易产生恶劣竞争、市场变动快、影响大，成本高；

• 流量合作，是一种较为稳妥的方式，客户规模大，增强公司壁垒，但接入成本高，可操作性弱；

• 线下渠道，复杂多样，各个公司都在尝试，但还未形成成熟的获客环境。

2. 如何选择渠道？

不同渠道各有利弊，如何选择渠道？从认知角度来看，产品初期，以感官认知为主，依赖产品的定位，从而确定渠道；产品发展期，分析认知逐渐重要，用户画像、用户标签帮助我们更好确定目标客户，选择合作渠道；产品成熟期，分析认知很难提高效果，转为大数据驱动的模型认知，模型可以更好地细分客户，具有高信息利用率、判别准确率和鲁棒性。

主要做法是把已知的行为和用户画像，抽象成特征，这时我们的数据集有了万维特征，然后在把特征 Embedding 成百维特征空间里，当需要投放时，会寻找目标客群，以及相似的空间向量（相似客群）进行投放。

PS：在寻找相似人群的时候，需要考虑噪音的问题，会把单目标客群到多目标客群去掉，voting 是必要的。

效率

1. 单客户的效率，如何更精准的获客

智能引擎可以提高单客户的效率，在风控模型调用前使用，它由响应模型、预授信模型、额度预估模型、价格预估模型、用信预估模型和利润预估模型组成。

• 以主动触达方式为例，对授信成本进行预估，将响应模型和预授信模型拟合在一起，从而得到客户授信成本的排序，在选择客户时，优先选择预授信成本低的客户进行广告投放；

• 以被动触达方式为例，在授信、用信、额度、广告竞价环节中，均使用模型过滤掉质量低用户，这种方式会尽量最大化单客户效率。

可能大家会疑惑为什么需要建立多环节的模型，原因有二：

一是，不同阶段用户流失是不同的，建立多个环节的模型可以有选择的使用，确保不是一味的提升单客效率而降低了全局的效率；

二是，相同的特征在不同的模型中表现差异性很大，可以更有效使用特征。

2. 整体的效率， 模型如何快速迭代

实验和模型的迭代是继续往前走的很重要的保障，以实验流程缩减流程图为例，线上同一时间运行四个模型，① 线上最优模型，② 根据新样本每天更新的模型，③ 一系列的观察模型，④ 随机采样的过程；采样过程可以做很多事情，包括 MAB 的方法或自己设定方向的探索，比如下一版模型中，新样本应占总体样本的比例，样本的时效性处理等等。模型对比应做到严格的 AB test 对比机制，避免产品调整，市场波动带来的影响，排除主观臆测。

数据理解

第三部分是讲数据，我们前面提到，数据是获客的燃料，模型做的好不好，数据理解是最重要的，数据理解主要包括两个方向：特征理解（如何更好的挖掘理解特征）和样本理解（如何理解样本是否为目标样本）。

1. 特征理解，deepFM 更好的理解特征

将不同的特征进行融合，解释这样的特征时，我们一般采用两种方式，一种是从广度上理解，如矩阵式的；另一种是从深度上的理解，如深度神经网络，梳理各个特征之间存在的隐藏关系。DeepFM 是我们去年开始调研部署上线的模型，整体模型结构是非常简洁的，DeepFM 就分两个模块，一个是 FM 模块，一个是 DNN 模块。基本上线上线下在同样的数据特征、评测集要比 XGBoost 的 AUC 提升 1~2 个点。

2. 样本理解，建立全生命周期数据构造

构造全链路的转换数据是做好转换归因的第一步，以客户触达的为例，客户前后共经过 feed 流广告展示、短信触达、抖音广告展示、下载 app，搜索广告展示、电话外呼、爱奇艺会员入口展示，用户申请。很难确定哪一种获客方式获得来该客户，在做分析时，尽量避免使用受影响太大的样本。总而言之，我们需要找到用户的关键动作并对之进行分析，但营销场景可能非常复杂，我们不能将用户的关键动作归因到具体的获客渠道策略时，全生命周期的数据管理可以帮助我们解决这样的问题。

度小满智能获客平台

下面介绍度小满获客平台现在的架构，主要分为数据层、技术层、模型层、系统层、功能层和渠道。

① 从数据来讲，主要的数据来源是用户数据，第二个是广告数据、第三个是用户的生态数据；

② 在系统层，主要为智能引擎、创意引擎、广告投放平台、内容辅写平台、实验平台这五个部分：

• 智能引擎主要配置响应模型、授信预估等，使用常规的机器学习模型一般为 xgboost ，deepFM ，stacking 等；

• 创意引擎，指的是获客的千人千面的创意，实现方式有文本创意和图片创意，文本创意以 GAN 深度学习模型为主，图片创意现在做到提取图片关键因素，还未实现完全图片的自动生成；

• 广告投放平台是主要体现技术的地方，投放时间预估、投放频度等；

• 内容辅写平台以 nlp 技术为主，同时也包括文章质量的预测、热门文章的预测等；

• 实验平台主要是加速实验的进程和舆情的监控。

③ 上面介绍了智能获客平台的底层架构，主要是为了实现上层功能，也就是多目标客群的识别、千人千面创意和快速迭代反馈，从而为客户匹配合适的渠道，更适合的触达方式和触达内容。

作者介绍：

费浩峻，度小满金融（百度金融）主任架构师。负责百度金融智能获客技术架构。从 0 到 1 建立了百度金融以人工智能为核心、大数据为基础的多平台的智能获客系统，支持了千万级的用户获取。专注于大数据、人工智能方向研究，有大数据、nlp、计算广告、信息处理等 10 余篇专利。

本文来自 DataFun 社区

原文链接：

https://mp.weixin.qq.com/s/LknTVTT2ahw7U-H3fRgWGQ