第1章为什么需要智能发券

1.1 优惠券：电商增长的核心抓手

在电商平台的增长策略中，优惠券是最直接、最有效的促转化手段之一。淘宝的"新人红包"、京东的"新人专享券"、拼多多的"百亿补贴"、美团的"新客立减"，这些看似简单的优惠背后，都有一套复杂的算法系统在运转。

但发优惠券不等于撒钱。如果没有算法加持，粗暴的"人人发 20 元券"会带来两个问题：

浪费预算：很多用户不发券也会买（Sure Things），给他们发券是白送钱
效果差：有些用户发再多券也不会买（Lost Causes），预算打了水漂

日预算 100 万元，听起来很多，但面对几百万新用户的潜在池子，每一分钱都需要花在刀刃上。

1.2 用户四象限模型

要理解智能发券的核心思路，先要认识用户四象限模型——它是整个 Uplift Modeling 的直觉基础：

                    不发券也会买           不发券不会买
                 ┌─────────────────┬─────────────────────┐
  发券后会买      │  Sure Things     │  Persuadables        │
                 │  自然转化用户     │  可被券打动的用户 ✓   │
                 │  (发券=浪费)      │  (核心目标)          │
                 ├─────────────────┼─────────────────────┤
  发券后也不买    │  Lost Causes     │  Sleeping Dogs       │
                 │  不需要券的忠实用户│  无论如何都不买       │
                 │  (无需干预)       │  (发券=浪费)         │
                 └─────────────────┴─────────────────────┘

只有 Persuadables（可被说服者）才是优惠券应该发放的对象。

传统的营销策略只看"谁可能会买"（预测 $P (Y = 1 | X)$ ），把高转化概率的用户当成发券目标。但这恰恰错了——高转化概率的用户很可能是 Sure Things，不发券也会买。

智能发券系统要回答的核心问题不是"谁会买"，而是：

发券能不能让一个本来不会买的用户产生购买行为？

这就是 Uplift Modeling（增量建模） 的核心思想。

1.3 业界实践参考

公司	关键策略	技术亮点
淘宝	猜你喜欢 + 定向优惠券	千人千面面额、DIN 模型
京东	购物车降价提醒 + 精准券	Uplift Model + 预算约束
拼多多	新人红包 + 百亿补贴	裂变传播 + 社交激励
美团	新客立减 + 阶梯复购券	生命周期分层 + 实时触发

这些公司的共同点：从"给所有人发同样的券"进化到"给对的人发对的面额"。

1.4 系统架构总览

本书将带你从零搭建一套完整的智能优惠券发放系统。整体架构分为三层：

┌─────────────────────────────────────────────────────────┐
│                      业务决策层                           │
│   发券时机 × 目标人群 × 券面额 × 预算约束                  │
└────────────────────────┬────────────────────────────────┘
                         │
┌────────────────────────▼────────────────────────────────┐
│                      核心算法层                           │
│                                                          │
│  ┌────────────┐  ┌─────────────┐  ┌──────────────────┐  │
│  │ 用户画像     │  │ Uplift 模型  │  │ 预算约束优化      │  │
│  │ & 意图识别   │  │ (增量建模)    │  │ (背包/拉格朗日)   │  │
│  └─────┬──────┘  └──────┬──────┘  └────────┬─────────┘  │
│        │               │                   │             │
│  ┌─────▼──────┐  ┌─────▼───────┐  ┌───────▼─────────┐  │
│  │ 价格敏感度   │  │ 首单转化概率  │  │ ROI 最大化求解  │  │
│  │ 估计模型     │  │ 预估模型     │  │                  │  │
│  └────────────┘  └─────────────┘  └──────────────────┘  │
└────────────────────────┬────────────────────────────────┘
                         │
┌────────────────────────▼────────────────────────────────┐
│                      数据基础层                           │
│   用户注册信息 / 浏览行为序列 / 设备信息 / 券发放&核销记录  │
└─────────────────────────────────────────────────────────┘

技术模块一览

模块	章节	核心问题
特征工程	第4章	从浏览日志提取 25 维用户行为特征
购买意图预测	第5章	$P (buy ∣ X)$ 二分类
Uplift 增量模型	第6章	$P (buy ∣ T = 1, X) - P (buy ∣ T = 0, X)$
价格敏感度	第7章	用户对面额的响应强度
预算优化	第8章	100 万预算下最大化增量 GMV
AB 实验	第9章	用统计检验衡量真实效果
风控	第10章	识别并拦截薅羊毛行为
在线服务	第11章	FastAPI 实时决策 API

1.5 技术栈选型

模块	技术	选型理由
模型训练	LightGBM	轻量高效，原生支持类别特征，工业界标配
特征处理	Pandas	足以处理单机量级的数据
预算优化	贪心 + 拉格朗日松弛	美团/京东大促的主流方法
在线服务	FastAPI	高性能异步 Python API 框架
AB 实验	自研（hash 分桶 + z-test）	简单透明，可控性强
数据验证	Pydantic	类型安全的请求/响应模型

1.6 新用户生命周期

本系统专注于新用户场景。电商新用户从注册到成为忠实用户，要经历六个关键阶段，每个阶段有不同的发券策略：

阶段	定义	目标	默认面额
注册未浏览	注册后 24h 内无浏览	引导打开 App	¥20
浏览未加购	有浏览无加购行为	激发购买意图	¥15
加购未下单	有加购但未完成支付	促成首单	¥10
首单完成	完成第 1 笔订单	促成复购	¥10
二单完成	完成第 2 笔订单	养成习惯	¥5
沉默新客	注册 >7 天无任何订单	挽回	¥30

这些阶段在代码中用 UserStage 类表示，后面的模型策略和规则兜底策略都会用到它。

1.7 本书结构

本书分为四个部分：

基础篇（第 1-3 章）：搭建项目骨架、理解数据结构

特征与模型篇（第 4-7 章）：从浏览行为中提取信号，训练四个核心模型

策略与优化篇（第 8-10 章）：预算分配、AB 实验、风控——从模型到策略的桥梁

工程与进阶篇（第 11-13 章）：在线服务、端到端实战、未来演进

每一章都会从为什么开始，再讲怎么做，最后贴出可直接运行的真实代码。

本章小结

优惠券不应"雨露均沾"，而应精准投放给 Persuadables
Uplift Modeling 是智能发券的核心：预测发券的增量效果，而非绝对转化概率
系统涵盖特征工程 → 四个模型 → 预算优化 → AB 实验 → 风控 → 在线服务的完整链路
新用户分为 6 个生命周期阶段，不同阶段有不同的默认发券策略

思考题

如果你是某电商的增长负责人，手握日预算 100 万元的新人券预算，你会如何衡量"钱花得值不值"？
Sure Things 用户发券后可能带来哪些负面影响？（提示：不只是浪费预算）
为什么传统的 CTR/CVR 预估模型不适合直接用来决定"给谁发券"？

第1章 为什么需要智能发券 ​

1.1 优惠券：电商增长的核心抓手 ​

1.2 用户四象限模型 ​

1.3 业界实践参考 ​

1.4 系统架构总览 ​

技术模块一览 ​

1.5 技术栈选型 ​

1.6 新用户生命周期 ​

1.7 本书结构 ​

本章小结 ​

思考题 ​