根据eMarketer的市场预测数据，预计到2021年，全球网络零售市场规模超过4.8万亿美元，占全球零售市场规模达17.5%。作为全球电商的核心载体，电商平台已经在全球200多个国家和地区落地，成为当地消费市场最主要的参与者和建设者，并不断涌现出各种垂直和综合类的电商平台。

众所周知，效果营销是众多电商企业获取高质量用户的重要渠道之一。电商广告主每个月会有大量的预算花费在营销推广上，但在实际的投放过程中，经常会出现经费浪费、预算超支、投资回报失衡等情况。因此，如何提高效果营销的投资回报率（以下简称 “ROI”）是众多电商广告主面临的主要痛点之一。

经过大量的模型训练与效果测试，易点天下深度解决方案Predicted Payer正式上线。该方案利用深度学习，根据用户个人资料和浏览行为，预测访问者转化的可能性，并将其应用到实际的广告投放过程中，提高广告投放的效率。

系统设计

Predicted Payer系统基于Google Cloud Platform（以下简称“GCP”）进行系统构架，在设计过程中使用了GCP中的四个组件，分别是BigQuery、Compute Engine、Storage和AutoML Tables。

BigQuery：用于行为数据的存储、查询和分析；

Compute Engine：用于实现特征抽取和训练样本的构造；

Storage：用于中间过程的数据存储；

AutoML Tables：用于自动化深度学习模型训练。

首先，基于Google Analytics360（以下简称“GA360”）收集的用户在客户网站的个人资料和浏览行为，利用AutoML训练深度学习模型；其次，系统每日会基于网站内新产生的用户行为数据运行“预测模块”，对每个用户进行深度评估，并基于几百种的行为信号，预测其在未来14天内发生有效转化的可能性；最后，利用Google Ads找到即将付款的用户，对这类用户进行再营销，促进其尽快完成转化；。

数据采集

Predicted Payer系统通过GA360收集并分析用户在客户网站上的行为数据，并对用户的行为轨迹进行统计分析，从而获得用户的状态参数和行为参数。其中，状态参数包括用户的基本信息、浏览器版本、手机平台、国际地理位置等，行为参数包括用户当天的行为统计、用户访问过的列表页以及用户是否有加入购物车的行为等。

我们从记录用户的338个维度中，提取出267个能够决定用户是否购买的特征，进行进一步的模型训练。

模型训练

AutoML Table是由Google开发的一款自动化的机器学习产品，能够对结构化数据自动构建和部署先进的机器学习模型，底层对Tensorflow等框架和组建进行集成，大大节省了工程开发时间和难度，让数据科学家可以更加专注于具体的业务场景之中。

如下图所示，我们使用了客户网站2个月的数据进行模拟训练，模拟训练的样本超过200万条。

效果测试

上图阐述了基于机器学习预测系统Predicted Payer与Google Ads广告投放平台结合的工作原理。左侧为基于TensorFlow机器学习的Predicted Payer预测系统，右侧为Google Ads系统。该系统通过数据收集、数据清理、数据分析、数据预测等过程，为客户筛选出最具价值用户，扩大了向Google Ads输送的种子人群数量，大大缩短了从用户转化发生的效果回馈时间，从而有效的提升了Google Ads机器学习和广告投放的效果。

目前，Predicted Payer深度解决方案已帮助电商广告主在实际的投放过程中受益。我们将用户按照预测出来的等级进行分段受众测试，在CTR差不多的情况下，预测出得分最高的分组比最低的分组效果足足提升了5倍；使用分段受众叠加以预测结果为广告优化目标的场景，能够为客户带来40%～60%的CPA提升！