金融场景下增长营销的应用与思考--粉丝服务平台-粉丝头条-fensifuwu.com

金融场景下增长营销的应用与思考

科技 08-02 来源： DataFunTalk

本文PPT，在微信公众号「DataFunSummit」，回复「20220521」领取

导读：大家好，我是来自腾讯的陈亮，很荣幸与大家探讨关于数据和金融营销的思考与应用，我所在业务线的工作主要集中在金融场景下机器学习模型的构建，以模型和算法的方式支持业务的增长营销和实时推荐等方面，在落地这些工作中，逐渐形成对行业的理解，也构成了这次分享的内容，本次和大家探讨在金融场景下增长营销的一些应用，讨论的内容可能更偏宏观和概念，也可能存在误区和不足，欢迎大家多多指正，多多讨论。

本次交流主要介绍五方面内容：

金融营销
增长体系
客群圈选
LTV增长
营销归因

金融营销

1. 增长营销

就我所在业务线面临的工作而言，在金融场景下，需要更精准地对用户开展洞察理解，同时把我们的金融服务更好地推荐给用户，在这个背景下，需借助增长的思维，构建相应的增长体系，用更科学的方法应用在不同的客群上，使得我们的营销和服务让用户获得更好的体验，同时为公司业务提升带来助力作用，这是我们工作的初衷。

近些年来，增长的概念逐渐被大家所关注，在我们看来，其本质是希望构建一个增长能力，帮助企业实现不断发展和持续获利的目标，这些年在应用实践方面，大家形成了一些有效方法，无论是引入国外典型的增长范式，还是结合本土化改造和升级后的方法，都是通过小步的实验，快速的试错，希望探寻适合且有效的策略，推动业务的持续增长，这个过程包括应用数据的方法、应用增长的方法论构成相应的营销体系，通过不断的实践，支持每个环节用户的持续转化。在我们工作实践中，也常常发现这类工作与推荐模型以及计算广告有相通之处，但站在企业的视角上又有些不同，比如，广告投放更偏重于单次转化，随着转化链路越长转化难度越大；而增长考虑的是在用户全生命周期中，如何能够更好地让用户价值和用户体验达成的平衡，这里不仅是单次转化更是用户全生命周期的多次交互和持续转化。

2. 经典营销框架

参考经典营销框架的方法和思路，通过对用户的理解，战略设计，以及产品、市场的分解，有很多数据营销可落地应用的角度值得借鉴。经典营销框架主要解决的核心问题是想办法认准用户，满足用户的需求，最终获得相应的营销回报。经典营销框架下有很多营销理念提出，但这类传统营销学更多站在供给方的思路单项地传递。

3. 增长思维及技能

在有数据反馈之后，就可从用户一侧反向传递，把单向的经典营销框架推动到另一个层面，构建双向沟通，典型代表就是近年比较流行的增长思维，比如growth hacking，国内大家也经常提类似的概念，背后的本质是增长思维的构建，核心在于通过小步实验增量测试，通过产品和服务的全流程，让策略传递从供给端到用户需求端，然后营销结果从用户需求端反馈到供给端，及时响应优化调整，这种双向营销的流程就构成了对业务增长的支持。

这个过程所需要的技能基础，把现有涉及大数据、人工智能等各种算法和数据工作都集成在一起，当然还包括产品和服务本身的优化，可以说，好的产品和服务是基础，增长是这个基础之上的催化剂，增长离不开产品和服务本身，增长本质上依赖产品和服务本身的优化打磨。

增长体系

1. 增长范式AARRR

我们看到一些经典的增长范式，最常见的是AARRR增长范式，也有人称为增长模型。AARRR关注最多的是获客流程，希望通过获取大量匹配的用户，提高用户活跃度，在保证留存率的情况下，促使用户进行口碑的传播，最终获得收入增长，这套增长范式，至少有两点值得借鉴，一是对获客重要性的关注，二是漏斗形式的转化；这个范式对其他范式的增长方法的设定，构成了基础的参考。

2. 增长范式RARRA

再之后会看到RARRA范式，更强调留存环节，这个环节体现在，尤其是流量的红利从增量变成存量阶段，关注留存有更多价值产出，怎样把留存的环节做得更好，突显它的优先级，RARRA也就是围绕这个目标成为升级版的增长范式，这些范式其实可以给我们借鉴参考，无论是在新客获取还是老客留存，进行概念上的分层和沉淀，当流量获取之后用户的留存变的越来越重要，把老用户运营好，同时老用户带来更多的新用户，这些视角让用户增长变得更加持续。

3. 增长范式Growth Loop

从前面两个范式衍生出一个更有持续性、更有增长迭代的思路范式，就是增长飞轮范式。

我们以亚马逊模型来看，亚马逊当时的成功，从他更广泛的商品选择，更好的购物体验，带来顾客数量的增加，同时也带来更多卖家和流量，从而降低成本，能为用户提供更低的价格，这样一个良性的循环，支持了亚马逊快速的成功，这种飞轮范式在业内其他大厂使用之后也产生非常不错的效果，比如Uber也是类似促成更快的接单过程，来促成刺激更多需求，吸引更多司机，这就能扩大司机服务覆盖的区域，减少用户等待时间，为打车用户提供更优质快捷的服务和更低的价格，这样就不断地转起来。

这个增长范式构成的主要要素，包括促进飞轮一些关键要素的结合，使得这些要素形成循环迭代，他在动作之后产生的输出，这些输出又反馈到输入阶段，再返回到拉新或者增量流量，形成良性循环，带来持续增长，这个增长方式其实在业内大企业和一些项目里发挥了不错的作用。

4. 多方法论模型

我们观察这三个范式，以及其他范式，增长都有一些有效的方法，国内各大厂也提出很多值得参考借鉴和学习的方法论。

5. 行为模型举例AIDA

基于行业特点和业务场景，在营销模型方面有一些本地化设计，让业务本身更清晰化，也为业务带来持续有效的发展，我们在这些案例里面看到几大块，比如增长背后的用户行为、用户认知等，产生客群选择，再结合运营的增长模型，把各种契合点融合进去，带来用户不断地增长。

这个过程，涉及到各领域更深入的模型，举例而言，比如我们看这个行为模型，其实在传统营销方面，大家也提过很多行为模型，因为行为模型对应多个动作，最早的AIDA模型，用户从注意力，到产生兴趣，到最终有意愿行动，这种营销方法无论是传统营销里面卖车或卖大件物品，都会参照的方法，其实我们构建互联网场景下的营销活动也是类似的，互联网场景可以带来数据及时反馈，这些反馈及行为的指向性能够被捕获，变得更加精准和高效。

6. 行为模型举例Fogg

在金融营销场景下用户的行为模型更具有挑战性，金融决策背后通常有很长的链路，也有很高的成本，所以，如何让用户采取行动，需要考虑很多关键因素。

以金融场景下的理财行为来看，若参考Fogg模型，其实可解构成用户意愿和用户能力两个维度，我们在构建增长模型时，希望用户中有意愿又有能力的人，尽可能去理财，同时对这条可能有困难的曲线，涵盖各种用户，通过定制各种营销方案让用户选择合适的产品，最终能匹配用户本身的服务体验，最终带来用户持续不断地对平台信任和源源不断地增长。

可以看到，增长是“有效方法、有效模型”接入可落地的应用。显然，增长要结合目标的逐个环节去达成。

7. 增长指标规划

业内提出的围绕增长指标规划的方案，值得参考。以电商场景举例，OSM+UJM+场景化，值得金融营销以及其他营销场景落地参考。

O代表目标，也可以拆解成各种子目标，比如电商场景里面提升GMV为主目标，那子目标可以拆解为提升用户量、提升转化率、提升客单价等，围绕目标实现，设计相应的策略，这些策略可以很多，多层和交叉结合的策略能帮用户持续提升，以及有价值的转化。策略的设计可依据科学方法来度量，评估该策略是否科学，能否达成目标，每个过程都有相应指标，每个过程都需要提出关键指标，有些场景需要不断地磨合提炼才能摸索到最重要最关键的度量指标，实现策略落地，带来价值提升。这些策略的度量，要融入用户整个生命周期，结合场景在指标落地环节参考评估。

8. 增长框架归纳

不论金融场景还是整个通用的增长框架，最主要的四个步骤可以总结为目标、策略、指标、方案，增长策略的步骤包含理解业务、建立假设、科学实验，循环迭代；最终通过小步快跑，实现增长目标的达成。

9. 增长团队

在支持业务增长的过程中，也相应地形成了增长团队的模式，业内各种架构分类，不存在孰优孰劣，只需判断在具体业务中对具体场景是否合适，无论哪种模式，都需要人员组合的应用，因为增长团队确实是一个综合能力的构建，这就包括增长经理、执行实验的增长工程师、增长数据分析师，以及增长营销师和增长设计师。在组织架构方面，也可分为独立型、矩阵型和混合型，没有好坏之分，只有是否合适。

10. 增长经理

增长经理的工作流程和工作职能，依照场景特色，大致按如下节奏流程推进。

11. 增长营销体系

在达成业务增长的过程中，需要很多工具和方法，在实际工作中，增长营销体系的构建，包含多层，具体包含数据基础层面、应用支撑层面、增长洞察层面、智能运营层面。

客群圈选

1. 增长客群细分

围绕客群筛选，我们也做了一些工作，这里跟大家做个简单分享，围绕增长客群本身的一个细分，除了传统方法基于统计学、行为心理，或者客户周期、用户聚类之外，我们更多要思考用户增长的商业目标，如何能更有效地进行客群分层。

2. 面向客群营销的圈选方法

我们所谈论的分层，是围绕策略进行开发设计，以及在策略落地的过程中，支持用户体验的逐步提升，这里的方法，除了传统的基于标签的、基于 dsp 和 dmp 结合的方法之外，更多的在用包括深度模型在内的图模型与图学习融合、注意力机制融合的各种模型方案。

3. 客群圈选模型

客群圈选模型，我们也采取了融合方案，包括对面向营销目标的客群圈选，一方面要支持业务客群的快速扩散，这里地业务本身已有高质量的用户群，除此之外，也会做更精准的客群定向，这就要融入前面所说的各种模型，包括基于相似度、基于深度的，结合注意力机制，结合图学习的方法，最终形成可互补式的客群圈选方案。

4. 客群模型迭代

我们在方案探索过程中，其实有几个阶段，最早使用多个模型分阶段圈选，其实缺点很明显，就是效果不突出，圈选的量级达不到业务需要；后一个阶段，就使用集联的方式，两个模型的目标能够进行融合打分，但很多时候模型结果和预测的目标存在不一致的情况，两个模型目标不一定能达成共同协作；后来，我们也和业内一些先进方案做了交叉，一方面使用多任务学习进行多目标模型训练，同时加入图和序列的信息在模型当中，构建多目标的图模型。

在这过程中，我们把之前需要人为设定权重的问题比较好地解决掉了，即按自适应的方式，把客群按照业务的多个目标有效地圈选，并且达成营销增长效果的实现。

5. 动态图模型捕捉金融场景的持续变化

在金融场景下特别是金融领域，这种变化特别快速，只用传统模型或者多目标模型，还是存在不及时或不能有效挖掘相应信息的问题及种种bad case，所以，在市场行情变化很快的情况下，用户和物品的交互结构变化也很大的情况下，在图模型基础上改造了一个动态图模型，在原先这种图模型里采样环节、聚合环节和更新环节不适应的地方，进行相应的优化。这样做，金融场景动态变化的目标，在模型中得到很好的体现以及目标达成。

6. 营销资源运筹分配

除了把用户尽可能圈准之外，营销本身是一个供给侧因素更强的场景，怎样把营销资源有效分配下去，成为重点问题。举例而言，如果只有两类资产，怎样给到不同的用户或者用哪些营销资源给到不同用户，背后都有资产本身的约束，资产不是无限量供应，同时营销资源也不可能无限提供，这时，就是一个待约束的运筹分配问题。

LTV增长

正如前面所言，在营销增长方面，与广告推荐和传统推荐不同之处，更核心的点就在

用户LTV的长期增长上面。传统营销或单触点广告营销，大家更关注即时交互，希望能即时转化，而在围绕产品和服务，持续给用户带来价值的增长过程，事实上是和用户多次交互，甚至是全生命周期的全链路交互，这种交互不单看即时转化，考虑更多的就是多状态全链路营销如何转化。我们和业内都有共同的一些思考，它可以构建成一个用户状态的持续的动态的变化，在数学上可把它刻画成马尔可夫决策过程，如何分阶段通过多模型逐步地优化，最终要考虑全链路综合优化这个需求，把单点优化和全局优化结合在一起，这时候才形成增长策略，才是全局的联合优化的最优解。

更大的挑战是：我们构建相应的模型和算法，是希望用户体验最优的情况下，平台的价值也能发挥出来，最终形成长期的可持续的增长模型和算法体系的支撑，这也是一个非常值得探索的大方向。

营销归因

1. 营销归因

除了前面介绍的围绕客群、围绕全生命周期的持续化营销增长支持以外，营销增长另一大需求就是运营、产品、数据同学经常希望解答的因果问题，因果其实是有价值的，就是理解这些用户“如何被转化”“为什么被转化”“为什么没被转化”最后推导出下一次构建怎样的营销方法，让它转化得更好，服务得更好，体验更优。

传统的一些方法是归因分析的方法，包括 5 w 2 h 等，以及一些归因模型、归因方式的选择。这些年大家更多通过AB实验来判断，对于金融场景，AB实验的挑战是有时成本太高。那么，因果推断能够作为一个补充，发挥不少价值。

2. 增长因果推断

围绕营销策略以及增长路径，面对归因需求，我们也建立了一些可解释的方法，增长因果推断，在补充AB实验的基础上，通过观察的因果方法，比如倾向抑制因果效应模型等。这些因果推断模型的应用，可以帮助运营了解“为什么这些用户会转化、转化背后的因素是什么、下一次营销策略或增长路径如何调整会更优”。

3. 可解释框架

可解释性，无论从技术方面还是业务需求方面，都存在很大的挑战点，我们通过实验及经验，把它划分为“业务的可解释”和“技术可解释”两大块。在机器学习模型本身，

模型可解释已经在探索中，就像下方右图也有研究paper论文专门提出一系列的综合的可解释方法，但从业务需求来看，由于我们站在增长角度，贴近业务去思考，在业务本身的可解释方面，这种洞察需求会更高一些，我们也构建了相应的支持模板、支持方案（下方左图），对业务解释能快速见到效果。从技术上来讲，我们把它分成数据可解释、特征可解释和模型可解释三块。

4. 数据可解释

数据可解释，就是数据层面，希望快速地通过数据本身体现出来的信息，发现数据背后的有效性、异常性，以及其他因素。这里要用多层次数据本身的一些加工研究的算法方法，快速地发现、探索背的地因素是什么，一个异常值产生的原因是什么。

5. 特征可解释

在特征可解释方面，大家最常问的是“圈选人群的结果”以及“推荐的结果”背后的特征因素是什么，除了这类大家经常用的特征重要性外，我们也形成了一套集成式的解程方法，包括特征变量和预测值这些已经可用的方案。

6. 模型可解释

对于深度模型，可解释的难度较大，我们针对深度模型提了一个分层解释方案，我们自己称为“局部聚类的解释方法”，就是分层的对每一层的神经元，来看这一层的神经元做了怎样的决策，那其实这个方案的目的，就是来解释每一层的神经元到底在做怎样的决策信息。我们假设从原始的样本空间到每一层之后，都会进行样本空间的转换，那从先转换的一层的样本空间看，正样本和负样本各自的情况怎样，在正负样本之间，我们用透明化的、容易解释的模型进行一个区分，最后来看每一层的神经网络做了怎样的决策信息。这样更好地理解模型本身，怎么将特征和用户的结果进行了有效的匹配和输出，但图例是以简单的三层神经网络举例，事实上各种复杂的深度神经网络都可做类似工作，进行分层聚类的解释，这也是我们在深度模型可解释方面的一点经验。

结语：以上是我们在实践当中，围绕业务的增长营销，构建的一系列的方法，这个过程中可能还有很多不足和值得改进的地方，后续欢迎大家多多交流和探讨。

问答环节

Q1：金融场景非常多，有很多不同的增长模型、实施方案，从您的经验来说，根据不同的场景或不同要求，如何选择增长模型或者增长思路？

A1：这其实是一个很关键的问题，在增长方法上没有好与差，其实增长方法是在结合各具体落地场景中总结出来的，我们在应用过程中也发现，不同的业务在不同的阶段可能要选择不同的适合的增长方法，有些业务就像我们前面举例的那三个比较典型的增长方式：在获客初期，大家更多要用以获客为主的增长方法，在存量时代，大家考虑更多怎么做好留存，做好活跃；站在可持续发展的角度，最后都希望组建可迭代的能形成复利的证明可持续的增长飞轮。

所以，方法要看业务和场景的具体情况，包括一个业务下不同的场景也不一样，有些场景以拉新为主，有些场景以留存为主，还有一些以持续陪伴为主，需要 case by case

以更适合的方式应用和实施。

Q2：在金融场景中有很多算法或策略落地，这些策略的叠加会不会有1+1小于2的效果？不同的策略融合叠加时，如何产生更好的效果？

A2：会出现这种情况，策略之间会存在交叉因素，也会形成相互影响，我们期待1+1至少要大于等于2，这是我们的理想目标，实际落地执行中，存在相互交叠的部分，也就可能不大于2，就1+1为1点几也有可能，当然也会存在相互拉扯，相互影响背后的原因，我们分析后认为和目标策略设计有关，尤其是“目标的拆解”和“策略的拆解”上面，有更多优化的空间，制定更加匹配的目标和对应的策略，只要度量的指标是科学的，这种问题就可大概率规避，但是不能完全消除。

今天的分享就到这里，谢谢大家。

阅读更多技术干货文章、下载讲师PPT，

请关注微信公众号“DataFunSummit”。

分享嘉宾：陈亮博士腾讯专家研究员

编辑整理：沈江涛安徽征信

出品平台：DataFunTalk

01/分享嘉宾