Causata机器学习系统探讨

特约通讯员梁晓欢

Causata机器学习系统

作为Causata公司的核心产品，Causata系统是一个为客户提供最佳品质的机器学习的系统，它可安装于企业的多个渠道中，最终实现自动化的营销决策制定。Causata的核心基础设施包括Causata ID图谱和Causata预测性文档。Causata利用突破性技术，致力于为客户提供一个可扩展的、可靠并强大的机器学习系统。

Causata采用了一种被称为时间差分学习的强化学习系统，这一类型的强化学习系统特别适用于处理大量的跨渠道客户数据，并从数据中实现高效性学习，最终做出有助于优化如客户终身价值等长期的企业目标决策。

在机器学习系统的设计和建设上，Causata作为业界的先驱，已经提交了6项与机器学习技术相关的应用程序专利申请。这些专利申请主要以Causata的技术为核心，包括实时制适应分级过程、不完整的客户历史数据的学习以及分布式可扩展的机器学习模型的增量更新等。此外，Causata的技术领导者来自于工业界和学术界的机器学习权威专家，包括伦敦大学最尖端的机器学习研究专员。

图1 Causata决策对比图

与其它模型的对比

Causata机器学习系统能提供一流的解决方案，与其它的决策方法相比，其具有众多的优点。图1清楚地展示了Causata与其他普通的预测模型或决策方法相比，在特征层面上具有的不同之处。

系统主要特征

1.调试透明的机器学习过程

Causata机器学习是一个完全自动化的决策系统，并且其过程非常透明，而非黑箱操作。通过使用对照组，该系统可直接监测其自身的性能。它允许营销人员改写或推翻机器学习的决策结果，以便在决策过程中加入营销人员其自身的行业专业知识，这也为机器学习的过程管理和决策的跨渠道实施提供了高度的灵活性。

目前，在后台运行Causata机器学习系统时，可以为学习过程输入初始文档数据，并检测学习结果，这有助于在自动化决策中建立信任，并加快系统部署。

2.离线v s在线模型

在建立离线模型时，分析员通常会定期重建一个离线模型，如每周一次或每月一次，然后再将该模型应用于制定决策的过程。这一方法的优点在于，可以通过一个非常简单的方法来设置一个端到端的决策系统，并投入使用。然而，Causata也存在以下几个缺点：

(1)该过程是人工手动的，非常耗时；

(2)模型在真正投入使用之前，就已经过时。实际情况下，从客户身上采集数据快照，并利用这些数据来运行一个预构的决策模型是一个非常缓慢的过程；

(3)难以将探索和测验融合到模型中（举例而言，如果你已经选择了一个与模型决策结果不同的方案，继而想探索接下来会发生什么）；

相比之下，Causata机器学习系统采用在线模型，该方法包括以下几个优点：

(1)决策模型总是最新式的。客户一提出报价，Causata系统就开始从新数据中学习，进一步优化模型。

(2)对变化的快速响应。客户行为通常会快速发生变化，从而使先前预构的模型变得无效，好比在线银行利率的变动行为。相比离线模型，在线模型的反应更加快速敏捷。

(3)Causata具有可自动管理探索和检验功能。通过探索和检验，我们可以为未来模型的建立提供一个更加丰富的数据库。

(4)完全自动化意味着更低的出错率。

3.处理延时响应

与其它普通的在线学习方法相比，Causata由于运用了中间节点技术，可以实现更加强大的功能。通常来说，一个标准的做法是：在选择了一个决策方案后，等待一段时间，利用这段时间收集方案的响应结果，然后再利用反馈数据对原模型进行更新。在某些情况下，预计的反馈响应时间可能会很长（如，大型采购行动的转换通常需花费较长时间）。这一等待时间会让模型学习过程出现滞后。然而，Causata的中间节点技术能允许模型的学习从决策方案被选中的那一刻就立即开始，不受预期响应时间的影响。

4.短期和长期优化

Causata强化学习系统尤其适用于专注实现长期业务目标的工作任务。为了将长期目标最大化，该系统能根据不同客户的情况，有序地学习如何优化个体的交互作用。Causata强化学习系统能预测任一时间点的客户价值，因此，其可以通过预测每一个备选方案对客户价值的影响情况，从中选择正确的“下一步行动方案”。

许多其它的机器学习技术被限制于其自身的运行环境中（如，只能在网络上），同时也无法以超越未来决策或超越下一个最佳方案为重点目标。

与它们不同的是，Causata可以根据营销人员的意愿，对“最佳下一步方案”进行优化。大多数的学习系统会选择能将短期收益最大化的方案作为“最佳下一步方案”，这通常与将“长期收益最大化”的方案有所不同。例如，大多数系统建议的“最佳下一步方案”是以尽可能高的价格将潜在客户转换为客户，而一个以长期利润为目标的系统可能建议营销人员为客户提供一个短期的折扣优惠，从而更好地建立长期的客户忠诚度。

Causata机器学习系统学习的是如何选择能将客户长期价值最大化的决策方案，帮助营销人员提高客户满意度、忠诚度，最终提高盈利能力。Causata利用上下文算法来实现短期优化，利用强化学习来实现长期优化。图2展示了机器学习的各个操作过程中客户价值的衡量方法。

5.可扩展的机器学习

Causata学习系统分布在多个H B a s e(一个高可靠性、高性能、面向列、可伸缩的分布式存储系统)服务器中，因而能够扩展适应大量的客户和大型数据集。这是一个完全自动化的学习系统，为实现不断的实时更新建立了一个内部模型。这意味着，系统无须再为了一个用户而进行周期性的离线模型建设，同时也确保了模型的先进性，免除了如模型偏离等问题的担忧。

Causata将自学习模型和预测性文档结构化，从而能以极低的延迟做出每一个个体的决策，使网络和移动交互，以及其他的交互渠道（如呼叫中心、电子邮件和社交平台）实现智能优化。

6.决策

Causata可以从一组给定的决策方案中，为个人客户自动选择最佳的方案，实现预定的长期或短期市场目标。在Causata中，决策的自动生成，能考虑到最新的客户行为，无须人工干预或配置，保证尽可能低的延迟反应。

7.总结报告

图3所示的报告框架可由C a u s at a机器学习系统运行得出。

(1)生成报告

客户数据库被划分为一个目标组和一个对照组，以便通过衡量长期目标的优化效果（如每个客户平均消费额），来直接评估Causata决策方案的效益。

(2)提供性能分析

在决策结果中，营销人员应该了解的最关键一点就是，每一个决策方案是怎样的，以及哪一个方案需要进行修改。

营销人员或分析员可以从客户细分市场和营销渠道的角度，查看在线模型的可视化决策结果，从而发现应以哪一个细分市场为目标市场，哪一个营销渠道是最有效的，哪一个决策方案可以进行改善或应该终止。

8.用户控制

Causata机器学习系统是一个非常强大的决策工具，且决策过程非常透明，可由营销人员进行控制，而不是像黑箱一样控制营销人员。营销人员可以通过以下机制控制学习系统的操作行为：

(1)最小化和最大化服务规则

A、频率—例如，在一个客户面前，展示折扣优惠的次数不超过3次

B、范围—例如，将行动方案实施在至少20%的客户身上

C、整体行动方案—例如，在下一个月，只提供1万美元的折扣优惠

(2)跨地点的协调规则

营销人员经常需要通过协调，将消息发送给用户。例如：

A、通过网络会议，连贯地展示一个贷款活动

B、规定在同一个网页中不能在超过一个以上的位置显示f l a s h内容

(3)运用行业知识

营销人员可能有丰富的行业领域知识。这对于决策系统来说，需要一定的时间来进行学习。营销人员也可能有一些想要测试的决策猜想，或者也有其他的数学模型。可以将这些数学模型的输出结果融合到Causata机器学习的过程中，使Causata机器学习系统更有能动性。

总结

综上所述，Causata的机器学习系统就是一个无须为实现实时决策而手动建立和训练预测模型的系统。模型的重建和更新是非常费时的工作，且需要大量的资金投入，尤其是在长期运行的活动中，抑或是当客户行为受市场外部影响而发生动态变化时，上述工作将更加繁重。

Causata机器学习系统采用强化学习技术和具体时间差分学习算法，实时优化预测模型，能以更快的速度响应客户行为的变化，用更少的数据让模型产生成效，以更低的成本实现决策制定。

Causata有效优化复杂目标（如客户终身价值）的能力，使其区别于其他不同的机器学习技术。Causata的学习过程从第一个客户报价行为就已经开始，而无需等待一个活动或项目的最终完结。上述这些都是离线的模型方法难以实现的。

最后，Causata机器学习系统在设计上，是为了便于营销人员或分析师进行自主配置，使整个决策过程开放、灵活和透明，可以查看操作的结果并根据实际需要决定是否按照决策结果行动。

参考资料：h t t p://w w w.Causata.c o m/