面对老板“砍预算、保转化”的极限挑战，单纯的漏斗分析已失效，必须引入因果推断中的Uplift Modeling增益模型。
首先我们要揭开ROI 1:30的假象。
如果80%用户属于自然购买，这意味着1.6万单中有1.28万单是“发不发都买”的铁粉贡献的。
经过计算，短信带来的真实增量仅为3200单，对应增量GMV为96万元。
此时真实的ROI其实是1:6。这不仅解释了预算浪费的原因，更揭示了粗放营销对品牌资产的伤害。
解决问题的核心在于转换视角。
传统模型预测“谁买的概率高”，会导致资源向铁粉倾斜。而Uplift模型预测的是“发送短信这一动作把购买概率提升了多少”。
我们的目标是从800万用户中精准识别出“摇摆用户”，即那些不发不买、发了才买的人，同时坚决剔除铁粉、顽固派和反感者。
落地执行建议分三步走。
第一步，构建随机对照实验RCT，积累有处理和无处理的对比数据。
第二步，进行特征工程与模型训练，利用T-Learner等算法计算每个用户的增益分数。
第三步，全量预测与预算分配，明年双11只选取增益分最高的200万人发送短信。
这样，我们就能用25%的预算，精准锁定最可能被说服的用户，既保住了真实的业务增量，又避免了对忠诚用户的打扰。
#数据分析实战 #知识库 #薇诺娜 #uplift #因果推断 #营销优化 #用户分层 #短信营销 #精准营销 #增长策略
首先我们要揭开ROI 1:30的假象。
如果80%用户属于自然购买，这意味着1.6万单中有1.28万单是“发不发都买”的铁粉贡献的。
经过计算，短信带来的真实增量仅为3200单，对应增量GMV为96万元。
此时真实的ROI其实是1:6。这不仅解释了预算浪费的原因，更揭示了粗放营销对品牌资产的伤害。
解决问题的核心在于转换视角。
传统模型预测“谁买的概率高”，会导致资源向铁粉倾斜。而Uplift模型预测的是“发送短信这一动作把购买概率提升了多少”。
我们的目标是从800万用户中精准识别出“摇摆用户”，即那些不发不买、发了才买的人，同时坚决剔除铁粉、顽固派和反感者。
落地执行建议分三步走。
第一步，构建随机对照实验RCT，积累有处理和无处理的对比数据。
第二步，进行特征工程与模型训练，利用T-Learner等算法计算每个用户的增益分数。
第三步，全量预测与预算分配，明年双11只选取增益分最高的200万人发送短信。
这样，我们就能用25%的预算，精准锁定最可能被说服的用户，既保住了真实的业务增量，又避免了对忠诚用户的打扰。
#数据分析实战 #知识库 #薇诺娜 #uplift #因果推断 #营销优化 #用户分层 #短信营销 #精准营销 #增长策略
