返回 DS 数据科学家 思维导图
中文·English
📈 DS 数据科学家ID: ds-precision-marketing-budget-allocation

精准营销触达定价与 ROI 预算分配

Precision Marketing & Uplift ROI Budget
🎯核心定义
基于增益模型 (Uplift Model) 的受约束精准营销预算优化与个性化定价动态分配体系 (Constrained Uplift Budget Allocation & Dynamic Pricing Optimization) 是将因果预测分数转化为真金白银商业利润与营销 ROI 最大化的运筹优化算法决策链;数学建模:设候选用户集为 i=1,,Ni=1,\dots,N,模型预测每个用户在施加触达动作 kk 时的因果增量收益为 ΔRik\Delta R_{ik},对应所消耗的营销补贴成本为 CikC_{ik},系统总营销预算硬约束为 BB;求解受约束的 0-1 整数规划或线性松弛背包问题:max{xik}ikxikΔRik\max_{\{x_{ik}\}} \sum_{i} \sum_{k} x_{ik} \Delta R_{ik} s.t. ikxikCikB,kxik1\sum_{i} \sum_{k} x_{ik} C_{ik} \le B, \sum_k x_{ik} \le 1;利用对偶拉格朗日乘子法或边际增益性价比比率 (Marginal Uplift ROI Efficiency: ΔRikCik\frac{\Delta R_{ik}}{C_{ik}}) 降序贪心分配,推导最优影子价格 (Shadow Price λ\lambda^*) 阈值线,实现总增量利润的最大化。
💡使用场景
亿级营销发券补贴预算智能调配、外卖/网约车动态红包面额个性化推荐、拉新与召回活动 ROI 约束求解。
解决的核心痛点
传统均一化发券或按预测转化率排序发券会导致预算迅速耗尽且单位补贴 ROI 极低;边际增益运筹优化实现了预算在全量用户池间的数学最优分配。
🎯5 个高频面试考点 (Exam Points)
1
将精准发券问题形式化为分数背包问题 (Fractional Knapsack Problem),并证明按边际增益效率 CATEiCosti\frac{\text{CATE}_i}{\text{Cost}_i} 贪心排序是线性松弛下的最优解?
2
拉格朗日对偶乘子 (Lagrangian Multiplier λ\lambda / 影子价格 Shadow Price): 如何通过二分搜索或梯度下降快速求解满足全局预算约束 CostiB\sum \text{Cost}_i \le B 的唯一截断阈值 λ\lambda^*
3
多 Treatment 决策矩阵:当同一个用户可以选择“不发券”、“发 5 元券”或“发 10 元券”时,如何根据边际递增增益 (Incremental Marginal CATE) 求解最优动作?
4
疲劳度约束与长期流失惩罚:如何将用户频次控制 (Frequency Capping: 每周最多触达 2 次) 与短信骚扰导致的未来 LTV 惩罚项融入优化目标?
5
在线动态预算平滑 (Online Budget Pacing): 在全天 24 小时流量持续到达时,如何使用 PID 控制器动态调整影子价格 λt\lambda_t 防止预算在早高峰瞬间耗尽?
📖 关联深度指南:📄 ds-core-cheatsheet
更新于 2026-08-14
🎯
检验攻克程度:针对「精准营销触达定价与 ROI 预算分配」专属刷题排雷
做单选排雷题、推导选项机制,答错自动收录进专属错题本。
🚀 开始本考点专项刷题
上一个知识点元学习器 S/T/X-Learner 算法对比下一个知识点北极星指标设计与 Guardrail 护栏

🔗 更多 DS 数据科学家 知识点卡片

假设检验、两类错误与功效权衡样本量公式严格推导与 MDE 估算P-hacking 偷窥与序贯检验 mSPRT多重比较校正:Bonferroni vs FDR