点击蓝字

关注我们

  现实中，企业每天都会向消费者发送大量营销邮件，这些邮件往往同时包含折扣信息、免费配送、赠品、个性化推荐以及各种营销话术。虽然企业能够观察到最终的打开率和购买率，但却很难识别究竟是哪一种营销元素真正推动了消费者转化。更重要的是，营销邮件的发送并非随机过程，而是基于消费者历史购买行为、活跃程度和消费能力等信息进行精准投放。因此，高价值用户往往收到更具吸引力的促销邮件，而普通用户收到的营销内容则有所不同。在这种情况下，如果直接比较不同邮件之间的效果，就会产生严重的选择偏差。如何在非随机营销环境下识别不同营销元素的真实因果效应，成为数字营销领域的重要研究问题。

1、不同营销邮件之间是否存在真实的因果效果差异，即企业设计的不同营销方案是否会显著影响消费者行为？

2、邮件标题中的哪些组成元素最有效，识别价格促销、免费配送、免费礼品、个性化内容以及特定营销词汇等不同营销元素的边际贡献？

3、不同消费者群体是否存在显著的异质性处理效应，即同一种营销内容是否会在不同消费者身上产生不同的因果影响？

4、能否基于估计得到的异质性因果效应构建更加精准的营销策略，并评估这种精准投放方案对企业利润提升的潜在价值？

  与传统二元处理问题不同，本文同时研究34种不同营销邮件所构成的多处理场景，因此需要在高维处理空间下识别不同营销内容之间的因果效应差异。研究数据来自美国一家大型服装零售企业。研究收集了企业在两个月内发送的34种不同营销邮件，总覆盖消费者超过130万人次。研究对象为邮件主题行中的营销内容，因为主题行直接决定消费者是否打开邮件，是营销转化漏斗中的关键环节。

  由于企业掌握大量消费者特征信息，传统因果推断方法难以在高维协变量环境下同时保证偏差控制和模型稳健性，因此作者采用双重机器学习框架，将机器学习预测能力与因果推断识别能力结合起来。

  首先基于潜在结果框架构建因果推断模型，并将不同营销邮件视为不同处理状态。随后采用双重机器学习框架，通过双重稳健估计器同时校正处理分配机制和结果生成机制所带来的偏差。具体而言，研究利用随机森林分别估计倾向得分模型和结果模型，并通过正交化和交叉拟合技术消除机器学习估计中的过拟合偏差。在获得个体层面的条件处理效应（CATE）后，进一步采用线性投影方法，将邮件整体效果分解为不同营销元素的边际处理效应（MATE），从而识别各类营销组件对消费者行为的具体贡献。

双重机器学习框架

（1）倾向得分模型用于估计用户收到某封邮件的概率；

（2）结果模型用于预测用户在收到邮件后的行为结果。

通过将两种模型结合形成“双重稳健”估计器，即使其中一个模型存在误设，仍然能够获得一致的因果效应估计。

1、营销内容设计对消费者行为具有显著影响，不同营销邮件之间存在明显的因果效应差异。进一步比较发现，如果忽略企业定向投放策略，仅利用相关性分析评估营销效果，部分邮件的效果排序甚至会发生改变，说明因果推断对于数字营销效果评估具有重要意义;

2、清仓促销类营销信息相比普通产品折扣能够更有效地提升消费者响应水平，表明营销信息的表达框架本身会影响消费者决策。在非价格促销因素中，免费配送和免费礼品表现出最显著的正向效果，而免费退货和配送折扣的影响则相对有限；

3、个性化营销内容能够显著提高邮件打开率，但其对最终购买金额的促进作用并不明显，这说明营销漏斗不同阶段的驱动机制存在差异。部分营销内容能够显著提高邮件打开率，但并不会提升最终购买概率和购买金额，说明企业不能简单以打开率衡量营销效果，而应关注完整转化漏斗中的最终转化结果；

4、消费者对营销内容存在明显异质性反应，高活跃度消费者通常更容易受到营销刺激，而低活跃度消费者对多数营销元素反应较弱；

5、利用估计得到的异质性因果效应构建个性化营销策略，并通过反事实模拟证明，企业能够通过更加精准地匹配营销内容与消费者特征实现显著的利润提升。

（1）企业应关注营销元素而非营销活动整体。相比简单比较不同邮件的效果，更应该识别具体营销元素的边际贡献。

（2）营销效果评估不能仅关注打开率。个性化内容虽然能够提高打开率，但未必能够提高购买率，因此企业应关注完整转化漏斗。

（3）消费者对营销内容存在显著异质性。未来营销优化的重点不再是设计“一封最好的邮件”，而是为不同消费者匹配最适合的营销内容。

（4）企业未来不应仅利用机器学习预测消费者是否购买，而应利用因果机器学习识别“哪种营销内容能够改变消费者行为”，从预测驱动转向决策驱动。

（声明：以上内容为个人对文章的翻译和理解，请有兴趣的同学阅读原文，还望各位专家、老师、同学批评指正！）