基于因果推断的智能经营模型体系-李东晨

•信贷经营环节及重点模型•智能信贷经营体系：v2.0时代信贷经营环节及重点模型信贷客户经营的工作，从用户授信成功后直到流失整个生命周期都有覆盖，主要分三个方向：1.Offer优化：在控制风险的前提下，为不同用户匹配最适合的Offer，达到盈利最优目标2.效率优化：在控制成本的前提下，为不同用户匹配最适合的权益(优惠券)，达到效率最优目标3.用户留存：判断用户流失风险，并对用户的流失原因做归因分析，有针对性运营，提升整体留存率目标客户识别目标客户识别人工策略配置结果观测客户需求需求评级个人风险分层需求评级车房贷收入-负债车房贷收入-负债经营收入资质评级竞品情况资质评级竞品情况年限、经营状况资产稳定性年限、经营状况局限性1.【维度有限】：仅依赖人工能组合的能力上线有限，客户经营个性化程度也有限局限性2.【经营目标】：不同经营手段的目标较难统一，不同经营抓手的目标甚至会互相干扰3.【经营效率】：细分模块需要投入大量人力，且依赖人工很难准确预测决策前后的业务增量智能信贷经营体系：v2.0时代 核心优化点架构设计数据维度超高维度特征自动化收集数据维度超高维度特征自动化收集和处理：特征维度高达几十万维以客户长期生命价值自动迭代自动迭代③客户行为反馈收集模型优化迭代经营效率在日趋成熟的个人信贷赛道，经营效率是企业的核心竞争力之一经营效率在日趋成熟的个人信贷赛道，经营效率是企业的核心竞争力之一一个好的经营体系可以使经营效率提升20%以上A传统机器学习传统机器学习智能信贷经营体系的核心就是要搭建一套以因果推断为基础，以客户全生命周期价值(LTV)为优化目标的的模型体系通过模型准确预测决策增量，精准提效•企业决策的核心困惑：相关关系vs.因果关系•如何通过因果推荐技术提升经营效率因果关系vs.相关关系 业务问题 什么是关联关系？什么是因果关系？ 业务问题经营决策优化业务场景业务场景信贷经营存在大量复杂决策信贷经营存在大量复杂决策相关性相反以往解决方案机器学习-关联建模传统机器学习关联建模，虽可以找到关联关系，但无法用于决策我们观测到的变量本身之间未必有直接的因果关系，背后是由一些因果因素产生出来。那真正可以影响结果的因果关系是什么？什么是影以往解决方案机器学习-关联建模传统机器学习关联建模，虽可以找到关联关系，但无法用于决策因果学习vs.机器学习 机器学习拆分因变量T(例如是否发券)和协变量X(用户特征)构建不同用户在不同实验下产生 机器学习拆分因变量T(例如是否发券)和协变量X(用户特征)构建不同用户在不同实验下产生不同行为的因果模型X:用户特征相关性Y:预测目标 Y:预测目标T:决策变量l机器学习的本质：l机器学习的本质：机器学习拟合的是从历史数据上观测到的相关关系，但基于相关关系的拟合是不可靠的，甚至很多时候是伪相关l企业需求：支持决策，不仅仅是预测用高维相关特征对预测目标做拟合问题：无法建模实验前后对业务目标带来的增益原价借款降价万0.5借款uplift增量用户1用户2企业决策的核心任务核心价值：相关不等同于因果，只有因果可以支持决策核心价值：相关不等同于因果，只有因果可以支持决策--诺贝尔经济学奖得主JudeaPearl1目标需具有统一性，避免不同决策互相干扰决策目标最优l1目标需具有统一性，避免不同决策互相干扰决策目标最优l在有限的资源投入下，达到目标最优A22将资源倾斜给谁？倾斜程度多大？如何确定将资源倾斜给谁？倾斜程度多大？如何确定决策成本控制l风险成本：金融公司第一任务是控制风险l资金投入：成本投入不是无限增长的33CC投入产出的关系如何量化？如何量化客户个决策效果预估•核心是解决反事实预估问题我们的工作是在有限的资源约束下我们的工作是在有限的资源约束下，1）找到目标客户，2）配置经营手段，3）达我们引入因果推断技术，用于支持和优化信贷领域的复杂决策问题企业决策的难点与挑战①信贷领域无法大规模随机实验，样本中①信贷领域无法大规模随机实验，样本中存在大量混淆因子，使观测样本呈现违反认知现象①客户盈利会受到Offer变化和运营活动激励的多重影响②对客户的经营需保证风险和盈利性边界还款方式4.0%3.5%3.0%2.5%2.0%还款方式4.0%3.5%3.0%2.5%2.0%1.5%1.0%0.5%0.0%价格everm2+@mob6everm2+@mob6额度盈利运营活动47k1,000k47k1,000k总结总结观测数据会“说谎”，仅仅依赖相关性建模会得到错误结论，因果推断可以建模变量间的因果链路1价格模型放款权益模型2年化风险额度模型3放款×久期−年化风险久期各项成本我们的解决方法：统一目标1价格模型放款权益模型2年化风险额度模型3放款×久期−年化风险久期各项成本①影响拆解：价格影响客户用信意愿、放款规模和留存情况②模型搭建：1）价格用信模型2）价格放款模型3）价格留存模型③优化求解：输出Δ价格带来的Δ复购/放款/留存变化①影响拆解：优惠券等权益影响客户用信意愿和放款规模②模型搭建：1）优惠券用信模型2）优惠券放款模型③优化求解：输出Δ权益带来的Δ复购/放款变化①影响拆解：额度影响客户用信意愿、放款规模和风险水平②模型搭建：1）额度用信模型2）额度放款模型3）额度风险模型③优化求解：输出Δ额度带来的Δ年化风险/放款变化还款方式模型①影响拆解：还款方式影响客户久期和风险水平②模型搭建：1）还款方式久期模型2）还款方式风险模型③优化求解：输出Δ还款方式带来的Δ久期/风险变化技术选型：技术选型：针对不同的业务流量和优化目标场景，选用不同的因果技术方案技术创新：针对在观测样本上进行连续干预的反事实预估问题，提出统一的算法方案深度反事实因果表征网络》效果超过工业界算法20%流量类型Treatment类型代表场景难度模型选型额度分配高价格分配中优惠券分配3工业界处理方法效果有限3工业界处理方法效果有限解决方法：自研Mono-CFR解决方法：深度表征网络解决方法：自研Mono-CFR解决方法：深度表征网络挑战：个体额度策略难达最优挑战：个体额度策略难达最优解决方案：基于因果推断技术，实现策略优化解决方案：基于因果推断技术，实现策略优化人均盈利提升25%+额度作为信贷领域核心经营人均盈利提升25%+额度作为信贷领域核心经营别个体维度下额度与风险的正确因果关系（出现违反认知的现象，无法应用传统关联建模从而无法面向盈利最优定额风险下降15%+型型分别学习因果关系：通过因果学习算法，构建原因与型型目标最优化：结合目标需求，搜索客户个体维度决策最优的额度多任务MonoCFR挑战：个体策略难达最优 解决方案：基于因果推断技术，实现策略优化挑战：个体策略难达最优价格是信贷领域另一个核心经营抓手，之前无法精准识别个体维度下价格与盈利的正确因果关系，从而无法面向盈利最优定价 放款提升50%+价格是信贷领域另一个核心经营抓手，之前无法精准识别个体维度下价格与盈利的正确因果关系，从而无法面向盈利最优定价分别学习因果关系：构建DataFusion因果学习框架，结合观测和实验数据提升模型鲁棒性目标最优化：结合目标需求，搜索客户个体维度决策最优的额度价格复购模型 价格借款模型价格留存模型价格复购模型 价格借款模型价格留存模型 盈利最大化价格智能经营未来发展方向：技术迭代2变量全集?2变量全集?工业界：Large-ScaledDebiased工业界：La