炒股技巧 
技术指标 
炒股入门 
炒股专题
炒股问题 
外部文章 
网站首页双重边际效应是什么(双重边际效应现象)
问：今年的“双11”开始了吗？答：已经结束了。
多年以来都声势浩大的“双11”购物节，今年似乎格外安静，商家不再大力造势，身边人也很少谈及，往年热闹非凡的晚会也不见了，不少人甚至可能都快忘记了还有这么一个曾经让自己无比狂热的购物盛宴，真是令人唏嘘。
个中原委，耐人寻味。
1
先来说个有意思的事情。
往年此时，各大平台都在争先恐后地晒战绩秀肌肉。然而今年，头部电商平台们仿佛约定好了一般，对于GMV（销售总额）避而不谈。例如天猫，在“双11”收官之时，仅表示“稳中向好，交易规模与去年持平”，这也是阿里历史上首次没有公布“双11”的GMV关键数字。
这一幕不禁让很多人感慨万千。遥想2009年，阿里巴巴首次举办线上“双11”购物节，GMV仅为5200万元，此后随着我国经济社会的快速发展与电商行业的突飞猛进，“双11”逐渐成长为我国消费市场上一道亮丽的风景，而全网“双11”GMV也在一路狂飙并不断创下历史新高，到2021年达到9651.2亿元，规模直逼万亿大关。可是时至今日，各大平台既没有了往年喜报式的成交战报，也没有像往年那样频繁更新实时交易额，GMV这个曾经“引无数英雄竞折腰”的核心指标已然淡出了大众视野。
现象的背后，是“双11”增长乏力这一不争的事实。抛开今年不谈，我们仅从前三年的数据中即可窥探一斑：2019年、2020年和2021年，全网“双11”GMV增速分别为51.8%、43.3%和12.2%，已经是连续两年下降。而今年“双11”的安静，某种意义上只是此前趋势的延续而已。
曾经辉煌无比的电商狂欢购物节，为什么越来越“卖不动”了？
在我看来，首要原因在于“双11”对于广大消费者的吸引力正在持续减弱。
作为国内首个电商购物节，“双11”一经问世就以独特的理念和友好的价格示人，并迅速俘获了广大消费者的芳心。而当时的电商购物节并不多，“双11”更是物以稀为贵，成为了人们一年一度最为期盼的网购狂欢盛宴。再加上彼时恰逢我国互联网行业快速发展之际，网民规模不断壮大，用户流量的红利也为电商平台的发展和“双11”的繁荣狠狠地助了一把力。
然而近些年，伴随着流量红利的衰竭以及各方面成本的攀升，电商平台普遍遭遇增长瓶颈。为了应对成本上升、销售疲软、业绩考核、用户增速下滑等方面的多重压力，电商平台和商家的促销活动越来越多，除了传统的“双11”之外，诸如“双12”、“618”、“818”等购物节也都接连兴起，而拼多多等平台更是将补贴做到了常态化，如此泛滥的促销活动，不仅极大地丰富了广大消费者的购物选择，让人们几乎可以随时买到物美价廉的商品，还在很大程度上削弱了“双11”的原有高性价比优势。再加上近两年，异军突起的直播电商又凭借更优质的购物体验让人们趋之若鹜，“双11”的新鲜感和吸引力自然也就大打折扣。
除此之外，近两年的疫情因素也是不能忽视的又一个重要原因。
自2020年新冠疫情发生以来，消费市场受到的扰动就未曾停止。尤其是今年以来，奥密克戎变异株在国内多点开花，由于病毒潜伏期缩短、传播速度快，使得上半年国内疫情面广频发，防控难度大大增加。在“动态清零”总方针的客观要求下，多地都采取了强有力的封控措施，致使人流物流受阻，很多具有出行、聚众属性的线下服务类消费场景减少，很多企业经营也遇到了阻力。
在疫情长尾效应和未来不确定性的作用下，部分居民的工作收入稳定性受到影响，尤其是以工资为主要收入来源的中低收入群体对于未来的预期更加偏谨慎态度，致使居民消费信心显著下滑，并且尚未迎来实质性扭转，自然难以为消费市场的回暖提供强劲动力。反映到“双11”数据上，就是GMV增长疲态的显露。
从这个意义上讲，今年“双11”能和去年规模保持一致或是实现增长，已经是非常不容易的事情了。
2
不过换个角度看，虽然今年“双11”的热度有所下降，但还是有一些新的现象值得关注。
首先，是平台更加重视质量提升。
如前文所述，受种种因素影响，近两年“双十一”GMV呈现出明显的下滑态势，今年各大平台甚至不再公布GMV数据。不过需要注意的是，这并非说明商家和平台就此“躺平”，而是将重心放在了增长质量的提升上，包括进一步从价格、场景、物流等方面改善消费者体验，以及给到中小商家尽可能多的支持和帮扶。
现象的背后，是整个行业真正回归到经营的本质，即高效地为消费者提供超出预期的商品与服务，同时为商家创造更大的长期价值，继而赋能实体经济的发展。这有些类似于“唯GDP增长论成为过去式”——唯GMV增长论，也正在成为过去式。
其次，直播电商依旧火热。
在购物节期间GMV增速整体下滑的背景下，直播电商却展示出超强的成长性。根据星图数据显示，今年“双11”期间，直播电商实现销售额1814.4亿元，同比增长146%；淘宝数据称，“双11”期间累计3亿人围观直播间，62个直播间成交额破亿元；抖音数据称，“双11”期间抖音直播带货总时长累计达3821万小时，平均每天直播时长达318.4万小时。直播电商已然成为了驱动电商行业增长的重要力量。
而这背后的实质在于，以内容为载体的内容营销模式，正日益彰显出强大的影响力和生命力——在营销过程中，内容成了吸引消费者的关键所在，消费者因为对内容感兴趣而沉浸其中，并主动关联到品牌，而商家则借助内容来强化品牌价值、培养用户信任，继而推动销售转化率的提升。尤其是短视频和直播平台，更是凭借强大丰富的内容生态而成为了广大消费者主动或被动“种草”的肥沃土壤，现已成为电商链路当中至关重要的一环，未来还将继续大有作为。
再次，国货地位越来越高。
今年“双11”期间，国产品牌再次大放异彩，多个电商平台的数据都佐证了国货的稳步增长与热度的持续提升，诸如珀莱雅、百雀羚、欧诗漫、鸿星尔克、回力等品牌都有上佳表现，其中一些国产品牌的销售额甚至要超过部分进口品牌。另有数据显示，近一年来无论是新国潮、新国货入驻电商平台的数量，还是消费者的购买量，都实现了大幅度增长。
说到底，国货地位的提升在于国势的强盛：一方面，我国现已形成了完整的制造业产业体系，研发生产能力日益增强，而在“品质革命”的推动下，诸多本土品牌的产品在性能品质、外观设计、时尚体验等多个方面都得到了实质性的升级，消费者对于国货的认可度在提升；另一方面，以“Z世代”为核心的年轻消费者正日趋成熟，他们与生俱来就拥有平视世界的底气和更为强大的文化自信，且更乐意接受本土品牌并以此为傲，从而助力了本土品牌的发展。
最后，理性消费观念兴起。
与往年全民狂欢式的“剁手”不同，今年“双11”期间我们见到更多的是理性消费、绿色消费，很多人不再盲目追求铺张浪费式的买买买，而是真正开始按需购物，而绿色家电的畅销，以及绿色快递袋、旧物回收的火热，都映射出国人消费理念的变化和消费心智的成熟，这同样是消费升级的一种外在体现。
3
那么，未来的“双11”又将何去何从呢？
从宏观经济层面看，近两年消费市场运行的最大扰动因素莫过于疫情的反复，今年以来尤为明显。不过随着近日政策面“进一步优化疫情防控工作二十条措施”的推行与落实，未来的防疫将更加科学精准，对于各行各业的不利影响将会持续改善，而人们的消费信心也有望逐渐得到提振和修复，中长期来看也将会助力消费市场的回暖，对于包括“双11”在内的电商购物节来说，自然是积极的信号。
不过话说回来，“双11”的边际效用递减趋势已经形成，想要重回早些年的巅峰难度着实不小。因此对于电商行业来说，将过多精力放在某个购物节上面，意义似乎已经不是很大，不妨冷静下来好好思考，如何才能走得更加长远；换言之，与其比拼谁能在“双11”搞出更多的花样，倒不如着手去想办法创造更多的经济社会价值。
以乡村振兴为例。由于流通网络不完善、市场供求信息不对称、营销信息闭塞、销售渠道不畅等现实问题的长期存在，农产品产销矛盾一直都很突出，“丰产不丰收”“滞销病”“价贱仍难卖”等事件频频发生，严重制约着乡村经济的振兴与农民的增收致富。
电商作为一种具有明显开放性的经济业态，可以超越时间和空间的限制，更为高效地连接广大用户和产品，并减少供需之间信息的不对称，如此便可有效打破乡村地区地域和信息的闭塞；而利用电商平台，可以帮助广大农民直接对接全国大市场，拉近与广大消费者之间的距离，在拓展农产品销路、增收致富的同时，还能基于消费者的真实需求来改进农产品种植加工，带动农业的转型升级，并且还能唤醒城市人群对于大自然和农村生活的向往，促进乡村旅游、田园采摘的繁荣发展等等。
而在此过程中，还需要进一步完善农村地区与偏远地区的物流和互联网基础设施，加快农村商贸流通的数字化升级，并且基于电商平台本身的优势，通过对产业链供应链上下游企业进行深度数字化改造来助力智慧供应链的实现，如此才能让乡村百姓也能享受更加便利的数字化生活，继而真正搞活乡村经济，推动乡村振兴。
赋能实体经济发展，更好地为全社会打造高品质的数字化生活，或许这才是电商行业最终的归宿吧。
【注：市场有风险，投资需谨慎。在任何情况下，本订阅号所载信息或所表述意见仅为观点交流，并不构成对任何人的投资建议。除专门备注外，本文研究数据由同花顺iFinD提供支持】
本文由公众号“星图金融研究院”原创，作者为星图金融研究院高级研究员付一夫
今年的双十一购物节落下帷幕，大家在期待自己即将到手的“宝贝们”的同时，也不忘抱着吃瓜的心态看看各大电商平台的战报如何，顺便也了解一下现在的经济形势。
不过今年怕是要让各位吃瓜人失望了，因为各大电商平台的表现是异常低调。
“静悄悄”的双十一，战报很低调
随着今年双十一的落幕，本来到了各家相继battle战报的时候，但是今年各大平台都没有公布自己最终成交额的数据。
往年天猫每隔几个小时就发一回“几分几秒破亿”的消息，但是今年却只表示此次双十一稳中向好，交易规模与去年持平。
京东也十分“低调”，只公布说今年京东双十一超越行业增速，创下了新的成交纪录，但是却没有公布具体的成交额。
除了在成交额上十分低调，今年双十一的“流量”也少了很多。11日0点-19点，某博上双十一相关话题热搜仅有17条，在同时段热搜数量中占比仅在5%左右，而在2018-2020这几年，这一数据基本维持在26%-30%之间。
除此之外，从2015年开始，每年各大卫视都会联合各种电商平台举办双十一晚会，在购物狂欢夜的同时也伴随着娱乐的狂欢，各路明星汇集在一起，也成为大家的关注点。
往年双十一，“明星+11.11”的词条都会霸榜热搜，但是今年除了某音、某手等短视频平台以外，其他电商平台都没有再举办这类晚会，热搜上相关词条也少了很多，难怪不少网友都表示今年的双十一有些“静悄悄”的。
淡化GMV，国货消费热情高涨
尽管在整体气氛上冷清了不少，但今年的双十一还是有一些喜人的新变化。
首先，从各家公布的“战报”来看，今年的主题有了很大的变化——脱离了往年“GMV至上”的思想，而是着重强调数字经济服务实体经济。
天猫在其报告中表示，今年双十一是截至目前参与商家最多元化的一年，共有29万品牌、数百万中小商家参与，商品数量更是超过2100万。京东在其战报中也不断强调实体经济的力量。
此外，在商品消费上，今年也展示出了新的趋势——国货消费热情高涨。
根据天猫公布的数据显示国货品牌战绩显赫，在双十一开售第一个小时中有102个品牌成交额突破亿元大关，其中超过一半都是国货品牌。
新品类商品也成了今年的“黑马”，根据京东数据显示，截至11月11日的数据显示，游戏投影机成交额同比增加160%，VR眼睛成交额同比增加530%，指静脉智能锁成交额同比增加200%。
天猫数据也类似，角膜塑形镜、面膜冷热仪、耳戴音频设备、地毯清洗机等新品类商品也都呈现出3-50倍不等的增长。
今年为何如此反常？
那么今年的双十一为什么会带给大家这些不一样的感觉呢？
首先拿气氛“冷清”这点来说，这其中不乏双十一“边际效用”递减的作用。我们最初接触双十一还是在2009年，当时还没那么大影响力的阿里凭借单日5000万成交额的成绩，一炮成名。
此后更是一发不可收拾，成交额年增长率更是一路向上，但是，随着双十一商家套路逐渐增多，规则逐渐复杂，并且类似双十一这种促销活动频次的不断增加，双十一给消费者带来的效用不再如最初那般强烈，对于品牌来说，其参与度也会逐渐弱化，因此不管是对消费者来说还是对商家来说，所能带来的效用都在逐渐递减。
其次，在淡化GMV这点，平台早在今年618就有所表现了，当时天猫就选择不公布具体成交额，并且减少了超长的预热和大规模的宣传。
而且针对很多用户吐槽的地方都做出了调整，比如开卖时间提早到晚上8点，大家再也不用熬夜到12点消费了，以前消费者诟病的不能多个地址下单的问题这次也被解决，并且还提供了一键保价的功能。
可以看出，平台也正在做出改变，摒弃了以往的GMV battle，更加专注于保障消费者权益、服务实体经济。
另外，消费者现在也越来越理性化。双十一的初衷是促销活动，但是随着气氛的烘托，双十一逐渐变成了很多人的“透支活动”，这也导致不少人花钱一时爽，花呗、信用卡遭殃的情况。
但是如今经历过诸多“套路”的消费者意识到，自己双十一购物更应该按需购买，并且以省钱为目的，因此，无脑囤货的行为也越来越少。
而且，随着消费者逐渐回归理性，大家的关注点也在慢慢调整至商品本身、消费本身，因此，也导致了国货销量高涨、新品类商品冒头的情况。
就拿这次双十一的美妆产品来说，相比于国际品牌，今年国货的整体优惠更大，并且更加直接，其中的赠品不少都是正装，相比那些国际品牌赠送小样来凑数，明显国货更加具有吸引力。
写在最后：
今年双十一的“静悄悄”并非偶然，随着多平台带货已成常态，促销活动频次加大，用户习惯、消费需求快速变化，以后双十一很有可能只是一个普通的“促销节”而已，而头部电商“隐藏”交易数据将可能成为常态。
参考资料：
1.南财网《双十一当天各时段成绩如何？回顾天猫双十一各平台往年成绩》
2. 机器人的秘密探索《看看历年双十一成绩单出炉，猜猜今年会是多少？》
图片来源@视觉中国
文 | 新熵，作者｜白芨，编辑｜月见
越来越多的数据表明，美国最大的购物节“黑色星期五”在今年有所遇冷。
福布斯报道显示，与2019年相比，感恩节当天美国实体零售的客流量下降超过九成，原因是高峰被提前分流了——早在“黑色星期五”的一个月前，“黑五大促”商品已经遍布线下门店。Adobe Analytics数据显示，在线上渠道，今年的黑色星期五销售额也略低于去年。
这与国内购物节的趋势如出一辙。活动周期的延长，加上成交额增速的放缓，正在给中美两国的零售盛宴降温。今年，天猫双十一总成交额增速仅为8.45%，而去年同期这一数据是29%。为了淡化“增速骤降”的信息，阿里巴巴取消了往年惯例的成交额实时大屏幕传统。
区别在于，在美国市场，购物节更多被作为释放需求的工具。罗斯福时代，零售商曾要求政府延长假期，以缓解行业内尖锐的流动危机。而在中国市场，购物节更多被作为平台业务的营销工具，阿里巴巴的B2C业务与拼多多的3C业务都在购物节的营销轰炸中完成破圈。
在三季度财报电话会议中，阿里、京东、拼多多都不得不面对电商增速放缓、营销ROI增长放缓的质疑。作为应对，各大平台都在寻找增量空间，以应对线上流量红利的终结。在一片调整、转向的氛围中，双十一一反往年信息刷屏的强势姿态，而附属于双十一的双十二购物节，也难免受到双十一由热转冷的影响。
01 办购物节还“划算”吗？
谁是购物节的狂欢者？答案似乎是不固定的。购物节的概念源自市场约定俗成的习惯——消费者在重要节日与家人吃饭并逛商场，零售商在这一天给出较平日更多的商品折扣；对商家来说，购物节有利于清理存货，补充更多的流动资金。上世纪30年代，美国零售商一度要求罗斯福政府延长“黑五”假期时间，以解决零售行业紧张的资金流动性问题。
这意味着，无论美国的黑色星期五购物节，还是国内的双十一购物节，本质都是对潜在消费需求的释放。在此基础上，平台为商品提供补贴，品牌承诺双十一产品打折，低价活动周期延长等等，都是释放需求的手段。
而现实情况是，从去年1月以来的新冠疫情爆发开始，受制于居民收入增速放缓等因素影响，国内社会消费品零售增速出现较大幅度的下滑。CEIC数据显示，截至今年9月，社会消费品零售增速维持在4%左右，不复疫情爆发前8%左右的增长水平。
与此对应的，则是电商平台获客成本的急剧上涨。Bloomberg数据显示，自2020年以来，国内三大主要电商平台的获客成本都呈现急剧扩张趋势。
这意味着，随着互联网流量红利的结束，包括购物节在内的电商平台营销正在迎来边际效益递减，单个购物节的破圈影响力也在逐步走低。
首先，双十一购物节经历了漫长的体量扩张过程。例如从2013年开始，双十一启动移动化进程，并提供了21%的订单量；2018年，饿了么等本地生活板块正式融入双十一促销环节，意味着购物节营销范围进一步向本地市场延伸。到目前，留给双十一“开源”的空间越来越少。
其次，自上线以来，双十一就面临商家备货与实际销量不等的矛盾。从2014年开始，天猫尝试通过全品类预售的方式解决商家的超额备货问题，并在2016年正式演变为从10月20日启动的双十一预售季。在此过程中，用户需求的提前递交为商家提供了缓冲时间。
除此之外，双十一周期的延长，也有利于电商平台坐收不同品牌的竞争收益。据腾讯新闻报道，小米曾在2015年双十一结束前两个小时紧急发放优惠券，用于在最终的双十一手机销售榜中超越华为。而在2016年双十一周期延长以后，相同品类的竞品从遭遇战变成持久战，这无疑加重了品牌负担。
尽管这种购物节由点到面的扩张有利于平台更全面地释放消费需求，但不利于活动整体影响力的破圈。例如，此前双十一单日活动中，消费者有提前规划、熬夜抢单的习惯。但在双十一周期延长后，折扣商品对消费者的冲击力直线下降。加上拼多多带动电商下沉浪潮后，补贴常态化正在各平台落地生根，双十一的影响力正在逐步走弱。
另外，双十一补贴规则的游戏化、复杂化趋势，也在提升普通消费者的参与门槛，而这与双十一“释放潜在需求”的初衷背道而驰。
02 换个方式扩张
如果从业绩数据看，两大第三方电商平台阿里与拼多多的经营策略正在出现重大分歧。
从今年以来，拼多多营销费用增速快速走低，同比增速从今年一季度的78.31%下降至三季度的-0.21%，单季度营销费用从130亿元下降至100.5亿元。与此同时，拼多多一般与行政费用三季度同比下降9.17%，研发费用尽管同比增幅达到34.21%，但对比去年同期60.12%的增速水平仍然有所下降。
与此对应的，是阿里巴巴三季度营销费用66.12%的同比增速，较去年同期44.81%的水平有较大提升。但从研发费用与一般与行政费用增速看，阿里巴巴与拼多多一样执行了严格的费用控制，两项费用的同比下降都在20%以上。以自营为主的电商平台京东则在三季度迎来营销费用、一般与行政费用增速的快速走高。
从具体策略看，从今年一季度的董事长人事变动开始，拼多多正在走上一条营销收缩、研发扩张路线。在618、双十一等购物节中，拼多多不再追求2019年百亿补贴的强势破圈效应。CEO陈磊称：“用户数量不断增加，用户需求多样化，我们也在不断微调ROI模型，最终宗旨是满足用户多样化需求。”
阿里巴巴则通过APP矩阵+供应链优化的策略解决流量危机。在财报会议上，阿里巴巴董事长张勇盛赞淘特2.4亿年度活跃消费者的成绩。在阿里巴巴的设计中，淘宝特价版是淘宝的第二曲线，同时负责阿里巴巴对C2M市场的建设任务。从去年四季度开始，淘宝用户增速呈现出显著的负增长态势，这迫使淘系电商急于创造更多需求。阿里巴巴首席财务官武卫表示，在上述新业务中，阿里并没有明确的盈利时间表。
显然，阿里巴巴与拼多多在今年的经营政策转变，都是对电商市场获客成本走高的应对措施。双方都选择了不同程度的开源节流措施，例如淘系电商更多关注C2M及下沉市场，拼多多更多关注区域农产品布局。相同点在于，双方都尝试以费用收缩应对业绩增长的萎缩。
而对于品牌来说，线上渠道的见顶也在推动品牌方向线下寻求生存空间。
例如，今年双十一前夕出现了两类截然相反的现象，一方面是李佳琦、薇娅等淘宝头部主播销售额话题大热，同时带动电商、物流、品牌等相关利益方股价大涨；另一方面，另一方面，作为淘品牌代表的三只松鼠正在线上渠道大幅缩减SKU以实现降本增效，而在线下加速门店扩张。
上市公司公告显示，从2020年起，三只松鼠将“聚焦利润”作为品牌核心战略，截至今年8月19日，三只松鼠累计完成了约400个SKU的收缩。在天猫渠道，品类收缩与低效推广将成为三只松鼠的长期策略，而品牌的线下渠道收入占比已经达到30%。
而“淘品牌”的出走，与电商平台的流量能力息息相关。在天猫流量红利期，三只松鼠借道电商实现了高端坚果品牌对全国市场的覆盖。而一旦新冠疫情冲击下增速下滑，淘品牌与淘系电商便面临“大难临头各自飞”的抉择。
除此之外，抖音、快手、社区团购等新兴电商渠道，正在带动其它坚果品牌的崛起。相比之下，专注淘系电商单一渠道营销的三只松鼠面临更大的竞争压力。与双十一横空出世的时代相比，天猫品牌销售榜不再有品牌线上影响力的唯一解释权，品牌营销费用向新兴渠道的转移趋势不可逆转，而这也带动了头部电商平台双十一声量的增速放缓
03 双十二的内卷
内卷化的含义是，在组织结构的衰退期，能量无法覆盖边缘区域，向核心部分收缩。
而相较品牌登台唱主角的双十一购物节，双十二正是电商行业的“边缘区域”。
从设立初衷看，双十二针对天猫以外淘宝平台的中小卖家，并涵盖更多线下场景。
从时间点看，双十一占据了国庆节与圣诞节之间的黄金时段，而双十二面对的是被双十一“榨干”的消费市场，甚至部分消费者双十一采购的商品还未完成消耗。
从折扣力度看，双十二的整体折扣力度及消费者关注度不及双十一。
另一方面，随着电商平台的内卷趋势日益明显，品牌商对电商节日的态度也在发生转变。
首先，头部主播在宣传新上市产品，帮助清理旧产品库存的同时，也在压制品牌方利润。除坑位费、抽佣提升了品牌的“过节成本”以外，薇娅、李佳琦等议价地位强势的头部主播还会对品牌提出严格的竞价协议+保价协议要求，即保证主播拿到的产品价格在销售前后一定时间内都为最低价格。
例如，今年双十一期间，薇娅、李佳琪手撕化妆品品牌欧莱雅的案例，就是主播维护“最低价垄断权”的表现。欧莱雅将更低折扣留在官方直播间的动作表明，过去头部主播的强势议价地位出现了一定瓦解迹象。主播与品牌自播的流量大战开战在即。
其次，随着大众消费品整体跨入存量市场，电商平台的流量红利见顶。品牌方越来越多地将电商节日作为露出品牌和助推新品的渠道，而非销售渠道。
在电商购物节发展早期，电商平台承担了购物节在线上、线下媒体的营销宣传费用，品牌方提供折扣价格后可以坐收流量红利，触及更多线上消费者。而随着时间推移，阿里B2C、拼多多3C业务板块的破圈意愿不再强烈，留给品牌的流量价值减少，整个折扣获客商业模式的回报走低，也推动双十一在品牌方的地位更加尴尬。
而对于本就无力负担高额营销费用的中小品牌来说，形势更加严峻。
某种意义上，第三方电商平台的利润相当于流量税，平台的获客能力、市场影响力决定了品牌的投放力度。与历史上的王朝周期率相似，当平台的流量增长顺畅，税基便宽裕；一旦流量进入存量消耗阶段，缺乏抗风险能力的中小品牌将首当其冲。
从各平台的营销动作看，双十二的前期预热战已经打响。与往年推动品牌大打补贴战的逻辑不同，在渠道影响力见顶后，如何重拾流量增长，稳定税基，将成为各平台竞争的核心战场。
导读：Uplift模型旨在量化干预（Treatment）对不同人群的差异影响，进而通过人群定向/数值策略的方式对人群进行差异化策略。本次分享主要介绍快手在Uplift 模型上的探索、应用及迭代，以及在业务中使用Uplift 遇到的一些难题和优化解决方案。
分享主要分为以面四部分内容：
- 介绍
- 难点
- 应用
- 总结
分享嘉宾｜周小羽 快手 经济学家团队Tech Lead
编辑整理｜王鑫民 同济大学
出品平台｜DataFunTalk
01
介绍
首先简单介绍Uplift。
Uplift 模型要做的就是预估每一个人对实验的反应，从而圈选一部分对实验敏感性较高的人群。举个例子，商家希望通过给客户发美妆折扣券提高客户在商家的消费。当商家对所有用户发美妆产品的折扣券时，男性用户可能无法get到这个折扣券的用处，而女性用户可能会更被这个策略吸引。如果我们计算发折扣券的平均效果——即ATE（average treatment effect）时，如果男性用户无反馈而女性是正反馈，两个群体的实验效果加起来可能是不显著的。
进一步地，我们希望发现激励效果显著的用户群体，业务上比较常见的做法是用户分层，但是传统的用户分层很难展示高维度的分层结果，这也是Uplift流行的原因——我们希望估计高维度的异质性因果效应——HTE (heterogeneous treatment effect)，而并非ATE。
估计HTE的方法有很多，例如casual tree，casual forest等，我们先从线性模型的角度讲解如何从ATE估计到HTE。在实验变量离散的情况下（即传统做法，将用户分为实验组和对照组），ATE的计算公式为两个用户组结果变量diff的期望；在实验变量是连续的情况下（比如实验变量是药剂剂量时），ATE的计算公式就是结果变量对实验变量求导。用散点图说明：当x轴是实验变量、y轴是结果变量时，ATE为各点拟合曲线的斜率。以此类推，HTE需要我们对每个点求斜率。
一个简单的解决方法是构造实验变量和特征变量的交互项并且拟合一个线性函数：对没有交互项的函数，求解的实验效应是常数，即所有人实验效应相同；对于有交互项的函数，求解的实验效应是一个关于特征变量X的函数。对于该种HTE的形式，我们也可以称其为CATE (conditional average treatment effect)，因为它conditional on 了特征变量X。
举例：假设用户的数据包含了性别和年龄这两个画像变量，且均被 one-hot编码——性别等于 1 为男性，性别等于 0 为女性，年龄1为大于 30 岁、0为小于30岁。在这两个维度下，用户可以被分成四个人群，我们希望估计每个人群的异质性因果效应。线性模型求解结果如表中公式所示。该方法的优点在于：
①易于理解：HTE等同于用户分层之后对各群体求ATE。
②可以进行统计检验：通过 delta method 快速计算标准误差。
--
02
难点
快手在应用Uplift模型中遇到了如下一些问题。
第一个问题：业务场景下实验变量经常是连续的。当第一单位和第二单位的边际影响不同时，我们应如何捕捉并且量化这个现象？
比如push 消息：我们希望通过 push 让增加用户的 App时长。每天push 一两条一般人可以接受，但是用户收到第五条时，他们会就很厌烦甚至会关掉 push提醒功能，这样平台以后就再也没有拉起该用户的机会了。我们希望有一个不仅能给出HTE、还能计算每个用户在不同实验剂量下的边际效应的模型。这样就可以知道应该给哪些用户多push 几条。
再举个例子：当一个作者粉丝数增加的时候，我们希望他能更多地在平台上进行生产。我们发现作者增加的第一个 1000 单位粉丝和第二个 1000 单位粉丝带来的作品发布数的增量是不一样，因为大 V主播和小主播对同等量级的粉丝增量的体感不同。如何 capture 这个规模效应也是业务经常遇到的问题。
第二个问题：非线性模型如何做统计检验？
线性模型由于假设太强，模型效果经常表现很差。换成更复杂的机器学习模型之后， delta method不再适用于求标准误差。并且特别对于一些波动特别大的指标，即使用delta method效果也不好。因此我们需要知道如何判断指标的显著性。
对于上述两个问题，我们简单地介绍在快手的解决方法。
首先是估计规模效应。以作者和作者生产数为例，经济学中有一个理论叫边际效应递减法则：即作者粉丝数增加时，单纯通过涨粉对于作者生产数产生的激励存在一个上限。如上图所示，我们期望看到增加单位粉丝带来的生产数实际是逐渐递减的。如果能预估该作者的涨粉能力上限和生产数上限，对平台资源的分配是有极大帮助。
一个比较粗暴的解题思路是构建一个函数形式，使HTE为一个关于实验变量的函数。
以之前提到过的线性函数为例（左框中的公式），我们对干预变量和特征变量进行交互，求解得到的HTE是一个关于X的函数。但该形式下第一单位的treatment effect和第二单位的treatment effect是等价，因此并不能达到我们之前预期的边际效益递减的目的。如果我们拟合一个非线性函数，如上图中的多项式函数形式，一阶导后CATE是关于X 和 T的函数形式，这意味着第一单位的 treatment effect 和第二单位的 treatment effect 不等价，CATE随着 treatment的变化而变化的。这种粗暴求解的思路缺点在于：对 CATE的函数形式的假设会非常强。
为了解决上述问题，我们基于Farrell在2020年的论文，构造了神经网络的优化模型，并称其为“双重神经网络”模型。input layer由特征变量构成 (如用户画像)，经过第一个神经网络的feature hidden layer构建交互特征；interaction layer包括关于特征变量的函数a(X)以及函数和treatment的交互项b(X)，经过parameter hidden layer进行交互得到非线性关系，最后output layer输出得到HTE。
我们在这里展示某个真实的业务分析中双重神经网络模型的表现。该分析中，我们首先用双重机器学习模型对估计目标进行纠偏（实验变量并非纯随机试验，而双重机器学习模型可以帮助我们生成类随机实验）。同时我们也对量化模型表现进行了优化，生成了基于连续实验变量的uplift curve。上图可以看出双重神经网络模型的表现远远优于其余模型。
此外我们也解决了关于非线性模型如何做统计检验的问题。在得到HTE之后，常常还需要回答：①哪些人HTE是显著的？②模型有多个treatment，各自HTE差异很小，哪个treatment更好更科学？
基于Victor的论文，我们使用data splitting的方法近似significance level：通过不停地对数据进行拆分，main sample用于模型训练，auxiliary sample用于预测HTE，求得HTE的empirical distribution。
该方法用关键的三个指标来衡量HTE的表现：
- BLP（best linear predictors of the effects on machine learning proxies）
越靠近0说明估计的HTE等于噪音，越大说明异质性越强。另外，该指标越靠近1说明选择的ML估计方法能对CATE有较好的预测。
- GATES（average effects sorted by impact groups）
近似估计HTE是否显著：将每次预测的HTE排序分段，并检验每段的均值是否显著。
- CLAN（average characteristics of most and least impacted units）
估计X对HTE的影响是否显著，是一种衡量feature importance的方法。
--
03
应用
下面介绍一个基于双重神经网络的Uplift模型在快手的应用。
1. 应用—：涨粉和生产
平台希望圈一些作者，并了解他们生产数的最大空间--知道作者的生产数空间可以便于业务request相应活动流量和预算。我们通过优化的模型可以实现对每一个作者估算一个边际效益曲线。模型也可以做到按照作者类型去分类，得到各类作者生成力的边际。除了估计预算，通过预测每个作者的生产力天花板，运营同学可以针对大V作者做相应的策略调整。模型结果如上右图所示：基于过去一段时间的勤劳程度和其他特征，作者1涨粉到4.5万就不再可能通过涨粉增加收益、而作者2涨粉到1.7万就到头了。
2. 应用二：push消息
平台规定每个用户每天最多可以收到 10 条 push ，第一条 push 对用户的 app 时长影响和第二条 push 的影响肯定是不同的：从逻辑上来说，第二条 push 带来的影响会弱一点。如何用模型去 capture 这个影响？通过双重神经网络的模型，我们可以对每一个设备预测它在不同 push 条数下的反应。
结果如上图所示，我们从所有的样本中选择 7 个设备，并且画出了收益衰减图：横坐标是设备收到的push数量，纵坐标是模型预测的边际效益。蓝线代表该随机抽取的设备当被 push 第一条消息HTE就已经到 0，因此该设备并不适合做push策略；粉线代表另外一个随机抽取的设备被push第7条消息时HTE仍然没有到0，因此可以多push一些消息。
--
04
总结
DNN+HTE可以应用在探索收益天花板的问题中：
①帮助业务规划资源。比如想申请一部分预算助推给作者分发助推流量，DNN+HTE模型可以帮助探索收益的天花板，预估合理的预算申请金额。
②帮助调整定价策略。比如给商家进行涨粉，应该在什么地方多收钱，什么地方少收钱，可以探索公域和私域的收益天花板，通过这两个天花板去调价。
post analysis让结果更稳健：
①对DML可以跨模型比较模型表现，适合复杂的模型结构。
②可以探索一个模型估计的HTE的variation是否够大；variation比较小的时候可能圈人效果不准。
③可以探究特征变量对HTE的影响是否显著，帮助业务缩小决策圈，只对显著的人群做策略。
--
05
问答环节
Q1：是基于离线数据的分析吗？
A1：是离线数据分析。但不是基于实验AB实验的结果：关于涨粉和生产两个案例，我们直接用大盘数据训练，并用模型进行纠偏。
Q2：应用中研究的Uplift 模型中，什么情况下 meta learner 间接建模会比 casual tree 直接建模对 Uplift 效果更好？
A2：meta learner 在离线分析中的使用可能较少，多使用于线上分析，因为它最大的优点是速度快，在线训练模型可能有一定优势。但是缺点是它不灵活，大部分 meta learner 只能对离散的实验变量去做建模。我们在对连续实验变量建模时，做了大量 research ，最后设计了一种可以拉通比较离散实验变量和连续实验变量模型的表现的方法，从而使得我们在模型选择上更加灵活。
Q3：模型是怎么评估的，如何判定模型是否准确？
A3：将数据分为训练集和测试集，在测试集上拟合，使用root mean square error评定模型表现。
Q4：如何选择混淆因素，实际发现X选择对 DML 影响很大，如何判断结果的置信度？
A4：使用非实验数据的情况下，对X一般建议应选尽选。在双重机器学习模型的应用中，我们会对Model Y 和 Model T 的残差去做检验，看其是否显著相关，且它们的均值是否有显著区别。因为这是 DML 的假设，如果连这个基本的假设都不能满足，那必然是有一个比较大的混淆因素被 left over ，需要重新再去筛查。
今天的分享就到这里，谢谢大家。
01/分享嘉宾
周小羽｜快手经济学家团队 Tech Lead
2018-2021年在SAS Institute担任统计软件开发，主要负责研发面板数据相关的功能(PROC PANEL, PROC CPANEL, etc)。2020年加入快手经济学家团队并担任Tech Lead，负责研发迭代快手自研因果分析工具，探索学术界前沿因果分析方法。
02/关于我们
DataFun：专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章800+，百万+阅读，14万+精准粉丝。
