乐趣区

关于机器学习:译-解密-Lyft-如何构建自动化营销平台

咱们以应用世界上最好的交通工具改善人们生存的使命为荣。在美国和加拿大,每个月都有超过 5000 万辆“碳中性”的 Lyft 搭车流动,而咱们对搭车的后劲简直无所不知。

咱们增长的局部起因在于获客过程的改善,比方针对具体地区发展广告流动,以进步认知度,并思考咱们的多模式产品。协调这些流动以取得大规模的新用户曾经变得很费时间,这使咱们承受了自动化的挑战。

增长获客

获客通常由数据驱动的跨职能团队领导,该团队关注规模、可测量性和可预测性。你可能看到过 Lyft 这样的广告:

获客个别在 OB 渠道中的头部和最大局部去操作,就像右边列出的各种渠道。没有两个渠道是雷同的: 咱们组合协调不同的合作伙伴、技术和策略,以确保 Lyft 是消费者的首选。Lyft 的其余团队专一于用户旅程的不同局部,以提供世界级的体验。上面显示了一个整体视图。

动机

每天为 Lyft 经营的每个地区大规模获取用户意味着须要做出成千上万的决定: 抉择招标、估算、创意、激励和受众; 运行测试等等。仅仅是放弃这些反复的工作占据了很大的市场份额,并可能导致次优的决策。这对企业来说是低廉的,而且不具规模。

通过自动化例程决策,咱们能够无效地进行扩大,并创立一个数据驱动的学习零碎。这也让营销人员专一于翻新和试验,而不是经营流动。

自动化之路

咱们的指标是: 建设一个营销自动化平台,以进步老本和数量效率,同时使咱们的营销团队可能运行更简单,高影响力的试验。

要求:

  1. 可能预测新用户应用咱们产品的可能性
  2. 牢靠的掂量机制,以调配咱们的营销估算在不同的外部和内部渠道
  3. 在成千上万的广告流动中部署这些估算的杠杆

营销绩效数据有助于造成反馈回路,一直滋润强化学习零碎。

上面是一些咱们须要自动化的问题:

  • 在成千上万的搜寻关键词中更新出价
  • 敞开体现不佳的显示器创意
  • 依据市场扭转推介价值
  • 辨认高价值的用户群
  • 在各个流动中分享从不同策略中学到的货色

因而,咱们创立了 Symphony ーー一个编排零碎,它带有业务指标,预测将来用户价值,调配估算,并颁布估算,以吸引新用户应用 Lyft。

架构

Symphony 体系结构由三个次要局部组成: 生命周期价值 (life value,LTV) 预测器、估算分配器和投标人。

咱们的技术堆栈包含 Apache Hive、Presto、一个外部机器学习 (ML) 平台、Airflow 和第三方 api。一个轻松的前端提供商业指标和创意。该体系结构有许多可挪动部件和依赖项,须要严格的日志记录和监督。咱们更深刻地钻研上面的每一个组成部分。

终生价值 (LTV) 预测

了解用户的潜在价值对于每个业务都是至关重要的。这个组件的指标是基于来自这些渠道的用户的价值来掂量各种获取渠道的效率。而后,估算能够依据来自某个特定渠道的用户的预期价值和咱们违心在特定地区为这些类型的用户领取的价格来调配。

上图整体地形容了咱们如何计算用户的冀望长期价值,同时思考到咱们双向市场的供求。咱们尽最大致力精确预测 LTV,因为它帮忙咱们设定中长期战略目标。

在用户生命周期的晚期,很难理解他们的保留、过程或交易价值,所以咱们不试图间接测量 LTV,而是从历史数据中预测它。当用户与咱们的服务进行交互时,预测就会失去改良。

这里的基准代表一组用户的均匀预期按揭成数。这些预测输出到估算分配器中,并帮忙它决定来自一组特定流动的用户价值。

估算分配器

估算分配器联合 LTV 预测收集营销业绩数据。估算调配是通过马尔科夫蒙特卡洛来实现的。一条 LTV = a * (spend) ^ b 模式的曲线实用于假如 a & b 来自具备本人参数的散布 (例如 a 来自平均值为 μa 和标准差为 ????a 的散布) 的数据。这里有个诀窍ー咱们不会像在规范回归中那样间接预计 a & b。相同,咱们预计了它们的散布参数: (μa, ????a)和(μb, ????b)。因而,咱们每天从这些散布中抽取不同的 a & b 估计值,而不是用固定的 a & b 绘制曲线,这天然为咱们的老本曲线创立过程注入了肯定水平的随机性。

这种类型的随机搜寻可能看起来很节约,但从久远来看,适度的摸索实际上是最佳的。它帮忙咱们摸索曲线上的点,咱们通常不会思考收敛到一个全局最长处。

估算分配器将每个流动的调配发送给各自的渠道投标人进行部署。

竞投人士

投标人颁布在指标价位投放广告所需的最终批改。投标人由优化师和执行人两局部组成。优化师依据可用的杠杆 (比方关键字、题目、价值、Google 搜寻的招标类型) 决定如何部署资本,同时也思考特定于渠道的上下文。参与者通过 API 集成将理论的招标信息传递给外部和内部渠道,如招聘网站、搜寻、展现、社交和举荐。

多年来,咱们与合作伙伴建设了良好的关系,他们帮忙咱们的产品面向适合的受众。每个频道,基于其复杂程度,反对不同的招标策略。上面列出了一些风行的策略。

咱们始终在一直尝试,以设置每个流动的出价与正确的策略和更新的节奏,在一个一直变动的数字媒体景观。

投标人蕴含许多渠道具体的细微差别,这有助于他们做出最佳的可能决策。招标者还具备肯定水平的近期权重和季节性,以思考市场波动性。

总结

The long-term success of marketing automation at Lyft depends on incorporating human feedback into our machine learning platforms. This is generally referred to as“human-in-the-loop”machine learning, and enables machines to work on automation-breadth problems while empowering human operators to focus on knowledge-dependent problems. Without good input from the humans driving the automation engine, the quality of the models will suffer (“garbage in, garbage out”).

Lyft 营销自动化的长期胜利取决于将人的反馈纳入咱们的机器学习平台。这通常被称为“人工闭环”的机器学习,使机器可能解决自动化广度问题,同时赋予人类操作员专一于依赖常识的问题的能力。如果没有优化师对自动化引擎的良好输出,模型的品质将受到影响(“无用输出,无用输入”)。

没有手动更新报价或调配估算的认知开销,咱们心愿咱们的营销团队可能更灵便地利用受众和创造性的变动。他们有更多的工夫和精力:

  • 理解咱们的用户和他们的趣味
  • 构思新的广告模式、信息和渠道
  • 造成对指标的假如

对于 Symphony 的间断迭代,咱们有许多令人兴奋的想法:

  • 总是在做试验
  • 退出节令效应,如天气和工夫
  • 更好的市场环境告诉咱们的投标人
  • 智能人群划分和个性化

通过 Symphony,咱们能够在节俭营销工夫的同时取得更高的投资回报。依据 2018 年的数据,这个零碎为超过 3000 万的乘客和靠近 200 万的司机提供能源。在 Lyft,市场营销自动化仍处于初级阶段,只管这些办法迄今为止帮忙咱们扩充了规模,但咱们将持续学习并随着咱们的成长不断改进。咱们为咱们光明的机器学习和试验驱动的将来感到兴奋。

鸣谢

非常感谢团队,包含亚历克斯 · 阿门塔、贾里德 · 鲍曼、威廉 · 博尔赫斯、安娜 · 坎帕内利、曹、卡罗琳 · 康威、伊斯梅尔 · 科斯库纳、佩特罗斯 · 道维特、贾里德 · 加博尔、何兰菲、罗伯特 · 卡斯帕尔、安东尼奥 · 卢纳、帕特里克 · 麦格拉斯、乌斯曼 · 穆罕默德、杰克 · 范 · 里斯韦克、亚历杭德罗 · 维迪亚 · 乌图库鲁、邢,以及咱们的跨职能队友。

成长团队正在踊跃寻找有能力和有能源的工程师,数据工程师,科学家,产品经理和营销人员退出咱们的团队。你可在此理解 Lyft 的生存状况,亦可浏览职业介绍组取得最新职位空缺。

参考资料

原文作者:Ajay Sampat 译者:Harry Zhu 英文原文地址:
https://eng.lyft.com/lyft-marketing-automation-b43b7b7537cc

作为分享主义者 (sharism),自己所有互联网公布的图文均听从 CC 版权,转载请保留作者信息并注明作者 Harry Zhu 的 FinanceR 专栏:https://segmentfault.com/blog…,如果波及源代码请注明 GitHub 地址:https://github.com/harryprince。微信号: harryzhustudio
商业应用请分割作者。

退出移动版