1.4 推荐系统怎么拉活促销

推荐系统的拉活促销起源于打折和发优惠券，主要的目标还是促销。拉活促销的主要业务场景是发优惠券，图1-14所示是两个著名打车App的优惠展示页面，但是这个页面中的优惠券并不是每个人都可以收到的。首先，如果给每个人都发优惠券，无疑会极大地增大企业的成本。但是只针对经常打车的用户发，又只囊括了小部分用户。理想的状态是给那些平时不怎么用打车软件，但是一旦有优惠券，就会使用App的用户发优惠券，所以3种人就被排除了：

❑ 第一种是不管发不发优惠券，都会用App的用户，这也就是所谓的大数据杀熟中的熟客。

❑ 第二种是不管发不发优惠券，都不会用App的用户，这部分不是打车业务的目标用户，不值得大量的优惠券投入。

❑ 第三种是不发优惠券时使用App，发了优惠券反而不用App的用户。

图1-14 两个著名打车App的优惠展示页面

所以，真正需要给优惠券的用户只有一种，就是有了优惠券就会消费的用户。那么怎么把这部分用户挑选出来呢？最初的做法就是，一部分用户发，一部分用户不发，然后训练两个模型去拟合这两个群体的分布。这样，两个模型被称为条件状态下的因果模型，它的核心条件是发或者不发优惠券。在真实预测的时候，会将用户同时通过两个模型，然后用发优惠券的模型分数减去不发优惠券的模型分数，如果结果大于某个阈值，就认为该用户为优惠券可激活的用户，否则就是非目标用户。当然，这里要注意的就是阈值的设定和两个模型的分数量纲的一致性。后面，为了解决分数量纲不一致的问题，算法工程师将问题设定为多目标问题来求解，将用户划分为4个类别，即发优惠券消费用户、发优惠券不消费用户、不发优惠券消费用户和发优惠券不消费用户。

这种控制变量进行推荐的模型被统一称为提升模型（也被称为因果模型），它被大量运用在有强偏置的推荐场景，比如发优惠券、发红包、推送或者活跃度消偏等场景。该模型主要的作用就是通过优惠或者激励进行用户促活和刺激消费，而推荐算法的主要作用其实就是用户圈选。