"导读本次分享题目为投放场景下的问题分析与用户价值预估。主要包括以下三部分内容：投放场景的问题分析投放场景下用户价值建模实践未来工作展望分享嘉宾｜徐国强腾讯高级研究员编辑整理｜river 内容校对｜李瑶出品社区｜DataFun 01投放场景的问题分析首先来剖析一下投放场景中的问题 ...."

Fork me on GitHub

AIPreacher
AI发布小助手
腾讯 • 0 回帖 • 167 浏览 • 3 个月前

腾讯(大禹投放平台)用户LTV建模技术研究和实践

以下文章来源于 https://zhuanlan.zhihu.com/p/675051847

导读本次分享题目为投放场景下的问题分析与用户价值预估。

主要包括以下三部分内容：

投放场景的问题分析
投放场景下用户价值建模实践
未来工作展望

分享嘉宾｜徐国强腾讯高级研究员

编辑整理｜river

内容校对｜李瑶

出品社区｜DataFun

01投放场景的问题分析

首先来剖析一下投放场景中的问题。

1. 用户价值在用户增长的作用

如何实现用户产品的增长，对于每个产品和业务来说都是非常重要的。早期比较经典的用户增长模型是 AARRR 模型，它强调的是通过获客快速抢占市场，但是随着用户流量红利逐渐消失，这种买量的方式越来越受到限制，所以大家逐渐转向了 RARRA 模型。RARRA 模型强调的是存量用户的激活和运营，在整个降本增效的大背景下，要去优化不同 stage 的 ROI，需要不断进行迭代和技术能力升级。

站在技术的视角，可以把增长模型分为两个技术阶段，分别是从外部获取新用户、持续激活新增和存量用户。这两个阶段的技术栈，本质上是根据用户状态进行展开的。上图的右上角的用户生命周期状态图，展示了对于不同状态用户进行分析和理解的用户模型。而用户价值建模，就是从用户价值的角度分析和理解用户的能力，它是非常底层的通用能力。在不同的业务增长环境当中，看清楚处于不同状态下的用户的价值，制定出合理的增长策略，才能实现增长的目标。

主要的应用场景包括：

投放获客场景：通过 CLTV 建模预估不同渠道 cohort 粒度的 CLTV，得到每个渠道投放的 ROI，调整出价策略和预算分配策略。
投放获客场景：通过 CLTV 建模得到⽤户粒度的 CLTV，在投放过程中对媒体流量进⾏筛选，提升买量效率和效果。
⽣命周期运营场景：预估运营策略⼲预下的⽤户价值弹性，找到对运营策略敏感⼈群，叠加资源分配策略提升整体⼲预效果。

2. 用户增长中的用户价值定义

CLTV 的定义

CLTV(Costumer Lifetime Value)最早为市场营销领域的一个重要概念，表示的是用户在生命周期内为产品带来的收入总和。在⽤户增⻓实践过程中，⽤户时长、用户活跃等也可以被认为是⼀类⽤户价值。我们通常采用的建模目标是 SCV（nLTV），即用户在生命周期的某个 session 内的价值。

客户资产的定义

CE(Costumer Equity)客户资产被定义为⼀组⽤户的 CLTV 总和。在⼀些场景下，客户资产最大化是产品的重要优化⽬标。例如：生命周期运营中，在有限的资源下，最大化运营⼲预下的⽤户活跃是最大化客户资产的任务之⼀。

3. 用户价值建模行业的工作

随着整个广告行业的发展，⾏业相关⼯作越来越多，主要围绕数据稀疏、数据不平衡、多分布等问题展开。从上图表格中可以看到，随着深度学习技术的发展，近年来的这些工作，都是围绕着用户价值相关问题展开的。

4. 投放场景下的问题分析和用户价值的应用

付费投放，是用户增长领域当中用于获客的最重要的手段。它是在多方博弈下对于公域流量的利用，多个参与方的目标并不是完全一致的，他们之间是互相博弈的关系。比如广告主的目标是希望通过合理的成本，最大限度地获取更高质量的用户；而作为广告平台，其目标是能够最大化广告流量曝光的收入，期望整体 GMV 越大越好；对于流量媒体，目标则是能够提升商业变现的效率，并且能够去保证用户体验不受到损害。在这样的博弈之下，三方会找到一个平衡的状态。

然而随着广告技术的发展，这个平衡其实是在动态变化的。作为媒体平台，渠道分布越来越割裂，用户的流量更多是分散在不同的渠道里面。作为广告主平台，希望通过数据的深度加工，更加自主地去提升投放的 ROI。但是面临着渠道割裂的情况，需要一个统一的对接方案来解决和优化。提升获客的 LTV 是提升 ROI 的关键抓手。

从上述 ROI 公式可以看出，CAC 优化中，降低出价可带来分母快速下降，但严重影响拿量能力。LTV 优化中，对媒体流量的优选是潜客拉新中投放端的最有效抓手。

5. 提升 LTV 的解决方案

随着⼴告平台、数据能⼒的⽀持和⾃身能⼒的不断探索，提升 LTV 的⼿段不断进化。

内容选品: 分析建模"品类"带来的人群 LTV 差异，优化投放品类。但也存在粒度太粗，数据稳定性差。

回传 LTV 建模：广告平台深度出价能力+浅层指标回传，实现"平台助力质量建模与优选"。存在的问题是行业统一建模，难以深入解决业务特有问题。

RTA(Realtime API)：自主建模个性化 LTV 表征用户价值，并通过 RTA 实时流量优选/分层出价。实现方案统一，适合平台化。优势在于个性化粒度，自主灵活建模，具备 ABTest。

02投放场景下用户价值建模实践

1. 大禹投放平台多业务用户价值建模实践

⼤禹投放平台是腾讯 PCG 内部的⼀站式⼴告投放平台，向 BG 范围内产品的增长业务线提供素材创意、广告投放、RTA 策略、效果分析等多维度的能力，让接入产品可以更低成本、高效率地落地广告投放业务。⼤禹投放平台已经服务于⼿机 QQ 浏览器、腾讯应用宝、全民K歌、腾讯动漫等⼗余个业务和产品，并且为这些业务的付费获客投放的 ROI 带来了巨⼤的提升。

然而，该平台也面临着一些挑战：

业务众多：业务线多样化，商业模式差异也比较大；
接入媒体渠道多样化：媒体渠道各种各样，数据分布和投放效果存在较大差异。

建模的基本问题主要分成两大类：一是如何选择建模目标，二是如何合理地评估建模的效果。主要问题包括：

样本数据非常稀疏；
样本存在多分布、多成分问题；
如何合理利用多个渠道的投放数据。

2. 投放场景下 CLTV 建模目标选择问题

因为需要收集很多样本，所以样本等待时间比较长，这会导致我们的 AB test 观测周期也比较长，会影响迭代。因此，在 RTA 流量优选的这个场景下，我们一定要选择一个相对较短期的，才可以敏捷地迭代和建模。

选择 Pearson 相关性的这个方案去建模，并对自然新增流量的 LTV 数据，进行相关性分析。比如图中的例子，可以看到，LTV 14 这个指标和 LTV32、LTV120 这些指标的相关性都是比较高的。LTV 14 是一个相对比较符合预期的观测指标。综合来看，选择 LTV 14 作为建模目标。

3. 投放场景下 LTV 建模效果评估方法

⾏业⼤部分⼯作及我们针对渠道粒度 LTV 建模评估均采⽤ nMAE、nMAPE 评

估⽅法，但在投放应⽤场景中存在问题。因为偏差小，并不代表 LTV 价值的高低。流量优选场景下，LTV 建模更偏向于 Discrimination 问题，而不是 Calibration 问题。样本的 Ranking 比样本的精确值更重要。这里主要提供两种方法：

方法 1：将头部 x% 的样本作为正样本，其它或末尾 y% 的样本作为负样本，评估 AUC。
方法 2：采用 Normalized Gini Coefficient [Google ZILN 2019]。

当投放场景主要为头部高价值用户的筛选或出价时，需要补充关注头部用户的 Precise-Recall 等指标。

在指标评估之外，具体策略上线之前，还可以通过历史数据的趋势去决定策略。比如需要筛选用户流量，那么需要判断筛选多少低价的用户来达到预期的 LTV 提升。此时通过历史的数据回测，如果过滤 20% 的话，LTV14 可以提升的百分比例是符合预期的，就可以把策略上线 AB test。

4. 样本收集成本高带来的数据稀疏问题和解决思路

为提升个性化建模的准确性，在搜索和推荐场景中通常采⽤超⾼维⽤户特征和海量样本的⽅案。付费投放因为预算条件，获取海量样本⼏乎不可能。

可以通过预训练的方式去解决。

这里的解决方案是，用户价值是由多种因素或者因子去共同作用的，而某些因子属于用户特质。引入外部数据强化用户表达，某些因素的信息在业务间进行迁移。

5. 用户价值建模中的多成分多分布问题和解决思路

用户增值付费场景存在零值膨胀问题，即增值服务类产品 LTV 分布非常极端，付费用户占比极低，回归预测效果较差。

解决方案有两种，一是借鉴 ESMM 进行建模，将付费概率和金额进行级联建模；另一种是类似谷歌于 2019 年提出的，对付费期望进行建模。但该方法有个强烈的假设条件，即数据分布符合 log normal。但很多场景下不符合该条件，从微观角度来看，用户收入是由多种成分构成的，这就形成了多成分多分布问题。

这里可以参考两种优化方案：一种是类似快手 2022 提出来的 MDME 多分布 LTV 模型，通过分桶采样缓解样本稀疏和数据不平衡问题，增加 14 天的 LTV 和 30 天的偏序依赖约束进行建模；另一种方案是类似阿里在 2019 年提出来的贝叶斯子成分依赖模型，学习各个 LTV 子目标之间的关系。

6. 用户价值建模中的多渠道问题和解决思路

不同渠道采集到的用户数据的差异性在一些业务中是比较大的，无法直接复用，直接累加会存在数据冲突问题。对于我们的一大挑战就是如何复用。