[译] 解密 Lyft 如何构建自动化营销平台

我们以使用世界上最好的交通工具改善人们生活的使命为荣。在美国和加拿大，每个月都有超过5000万辆“碳中性”的 Lyft 搭车活动，而我们对搭车的潜力几乎一无所知。

我们增长的部分原因在于获客过程的改善，比如针对具体地区开展广告活动，以提高认知度，并考虑我们的多模式产品。协调这些活动以获得大规模的新用户已经变得很费时间，这使我们接受了自动化的挑战。

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:

获客一般在OB渠道中的头部和最大部分去操作，就像左边列出的各种渠道。没有两个渠道是相同的: 我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 的其他团队专注于用户旅程的不同部分，以提供世界级的体验。下面显示了一个整体视图。

动机

每天为 Lyft 运营的每个地区大规模获取用户意味着需要做出成千上万的决定: 选择投标、预算、创意、激励和受众; 运行测试等等。仅仅是保持这些重复的任务占据了很大的市场份额，并可能导致次优的决策。这对企业来说是昂贵的，而且不具规模。

通过自动化例程决策，我们可以有效地进行扩展，并创建一个数据驱动的学习系统。这也让营销人员专注于创新和实验，而不是运营活动。

自动化之路

我们的目标是: 建立一个营销自动化平台，以提高成本和数量效率，同时使我们的营销团队能够运行更复杂，高影响力的实验。

要求:

1. 能够预测新用户使用我们产品的可能性
2. 可靠的衡量机制，以分配我们的营销预算在不同的内部和外部渠道
3. 在成千上万的广告活动中部署这些预算的杠杆

营销绩效数据有助于形成反馈回路，不断滋养强化学习系统。

下面是一些我们需要自动化的问题:

• 在成千上万的搜索关键词中更新出价
• 关闭表现不佳的显示器创意
• 根据市场改变推介价值
• 识别高价值的用户群
• 在各个活动中分享从不同策略中学到的东西

因此，我们创建了 Symphony ーー一个编排系统，它带有业务目标，预测未来用户价值，分配预算，并公布预算，以吸引新用户使用 Lyft。

架构

Symphony 体系结构由三个主要部分组成: 生命周期价值(life value，LTV)预测器、预算分配器和投标人。

我们的技术堆栈包括 Apache Hive、 Presto、一个内部机器学习(ML)平台、 Airflow 和第三方 api。一个轻松的前端提供商业目标和创意。该体系结构有许多可移动部件和依赖项，需要严格的日志记录和监视。我们更深入地研究下面的每一个组成部分。

终生价值(LTV)预测

理解用户的潜在价值对于每个业务都是至关重要的。这个组件的目标是基于来自这些渠道的用户的价值来衡量各种获取渠道的效率。然后，预算可以根据来自某个特定渠道的用户的预期价值和我们愿意在特定地区为这些类型的用户支付的价格来分配。

上图整体地描述了我们如何计算用户的期望长期价值，同时考虑到我们双向市场的供求。我们尽最大努力准确预测 LTV，因为它帮助我们设定中长期战略目标。

在用户生命周期的早期，很难了解他们的保留、过程或交易价值，所以我们不试图直接测量 LTV，而是从历史数据中预测它。当用户与我们的服务进行交互时，预测就会得到改进。

这里的基准代表一组用户的平均预期按揭成数。这些预测输入到预算分配器中，并帮助它决定来自一组特定活动的用户价值。

预算分配器

预算分配器结合 LTV 预测收集营销业绩数据。预算分配是通过马尔科夫蒙特卡洛来完成的。一条 LTV = a * (spend) ^ b 形式的曲线适用于假设 a & b 来自具有自己参数的分布(例如 a 来自平均值为 μa 和标准差为 𝜎a 的分布)的数据。这里有个窍门ー我们不会像在标准回归中那样直接估计 a & b。相反，我们估计了它们的分布参数: (μa, 𝜎a)和(μb, 𝜎b)。因此，我们每天从这些分布中抽取不同的 a & b 估计值，而不是用固定的 a & b 绘制曲线，这自然为我们的成本曲线创建过程注入了一定程度的随机性。

这种类型的随机搜索可能看起来很浪费，但从长远来看，适度的探索实际上是最佳的。它帮助我们探索曲线上的点，我们通常不会考虑收敛到一个全局最优点。

预算分配器将每个活动的分配发送给各自的渠道投标人进行部署。

竞投人士

投标人公布在目标价位投放广告所需的最终修改。投标人由优化师和执行人两部分组成。优化师根据可用的杠杆(比如关键字、标题、价值、 Google 搜索的投标类型)决定如何部署资本，同时也考虑特定于渠道的上下文。参与者通过 API 集成将实际的投标信息传递给内部和外部渠道，如招聘网站、搜索、展示、社交和推荐。

多年来，我们与合作伙伴建立了良好的关系，他们帮助我们的产品面向合适的受众。每个频道，基于其复杂程度，支持不同的投标策略。下面列出了一些流行的策略。

我们一直在不断尝试，以设置每个活动的出价与正确的战略和更新的节奏，在一个不断变化的数字媒体景观。

投标人包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。投标者还具有一定程度的近期权重和季节性，以考虑市场波动性。

总结

Lyft 营销自动化的长期成功取决于将人的反馈纳入我们的机器学习平台。这通常被称为“人工闭环”的机器学习，使机器能够处理自动化广度问题，同时赋予人类操作员专注于依赖知识的问题的能力。如果没有优化师对自动化引擎的良好输入，模型的质量将受到影响(“无用输入，无用输出”)。

没有手动更新报价或分配预算的认知开销，我们希望我们的营销团队能够更灵活地应用受众和创造性的变化。他们有更多的时间和精力:

• 了解我们的用户和他们的兴趣
• 构思新的广告形式、信息和渠道
• 形成对目标的假设

对于 Symphony 的连续迭代，我们有许多令人兴奋的想法:

• 总是在做实验
• 加入季节效应，如天气和时间
• 更好的市场环境通知我们的投标人
• 智能人群划分和个性化

通过 Symphony，我们可以在节省营销时间的同时获得更高的投资回报。根据2018年的数据，这个系统为超过3000万的乘客和接近200万的司机提供动力。在 Lyft，市场营销自动化仍处于初级阶段，尽管这些方法迄今为止帮助我们扩大了规模，但我们将继续学习并随着我们的成长不断改进。我们为我们光明的机器学习和实验驱动的未来感到兴奋。

鸣谢

非常感谢团队，包括亚历克斯 · 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，以及我们的跨职能队友。

成长团队正在积极寻找有才能和有动力的工程师，数据工程师，科学家，产品经理和营销人员加入我们的团队。你可在此了解 Lyft 的生活情况，亦可浏览职业介绍组获得最新职位空缺。

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)，本人所有互联网发布的图文均遵从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...，如果涉及源代码请注明GitHub地址：https://github.com/harryprince。微信号: harryzhustudio
商业使用请联系作者。