Комментарии 11
Спасибо! Интересную работу ребята проделали
Сам факт рекламы останавливает от использования приложения. Неужели нельзя сделать банковскую функцию на телефоне без впаривания рекламного спама ? Рекламный звонок от Тбанка даже спустя год-два может негативно перевесить чашу весов решения где разместить свой вклад.
Полностью согласен! Цель нашей команды как раз в том, чтобы доказать, что негатив от рекламы существенен и его необходимо учитывать. Однако количественно измерить такие долгосрочные эффекты (как в данном примере) — сложная задача для ретроспективного теста, которым мы сейчас занимаемся. Как только мы получим статистически значимые результаты, обязательно поделимся ими в новой статье. Наши исследования помогают влиять на рекламные стратегии и подчеркивают необходимость их персонализации.
С отправкой смсок (не платежных) во внеурочное время уже разобрались?
По нашим контактным политикам такого быть не должно, но, к сожалению, ошибки иногда случаются. Наши коллеги активно работают над улучшением систем отправки, чтобы максимально снизить число таких инцидентов. Если проблема происходит регулярно, пожалуйста, обратитесь в чат поддержки банка — это поможет аналитическим командам акцентировать внимание на проблеме.
А как данная модель используется непосредственно в бизнес-целях? Определяете, как часто отправлять клиенту маркетинговые предложения?
Верно, именно так и применяем: ежедневно происходит пересчёт скоров всей базы пользователей для удержания наиболее чувствительной группы от рекламы. Со временем скор негатива снижается (в отсутствии рекламы), и, достигнув определённого порога, алгоритм позволяет отправить актуальное маркетинговое предложение. Скоро выйдет вторая часть статьи, где мы сосредоточимся на описании проведенного А/Б‑теста и подробно осветим его теорию, а также статистически значимые результаты.
А при планировании маркетинговых кампаний у вас не используются uplift модели? По идее, отбирая с их помощью наиболее оптимальных клиентов для воздействия, мы заодно и сокращаем контакты с теми, кто этого не желает.
Да, мы используем и uplift‑модели. Однако исследование показало, что скоры uplift‑модели и негатива некоррелированы: низкий uplift‑скор (то есть условно низкая вероятность целевого действия) не равен высокому скору негатива. Это разные реакции и разные таргеты: отказ от рекламы и просто игнорирование коммуникации. Наш целевой подход заключается в совместном применении этих правил: модель негатива запрещает отправлять коммуникации определённой части пользователей, а среди оставшейся аудитории uplift‑модели приоритезируют доступные релевантные промо в соответствующих маркетинговых каналах.
Низкий аплифт может быть и не связан с негативом. Но высокий аплифт, кажется, должен подразумевать отсутствие негатива.
Если в вашем подходе сначала отобрать аудиторию с помощью аплифт модели, а потом применить модель негатива, то будет очень странно обнаружить там людей с высокой вероятностью отказа.
Всё верно: «низкий аплифт не связан с негативом». Именно поэтому использование только uplift моделей не обеспечивает существенного сокращения контактов с теми, кто этого не желает, как вы писали выше.
В приведенном вами мысленном эксперименте технически такое не исключено: всё зависит от абсолютной величины точности uplift‑ и response‑моделей.
ML в маркетинге: как модели делают банк более чутким к негативу