Uplift-моделирование
Содержание
Определение
Uplift-моделирование оценивает причинный эффект воздействия на уровне отдельного пользователя: насколько изменится его метрика из-за кампании. Обычная модель предсказывает исход, uplift-модель — разницу между исходом под воздействием и без него. Это позволяет таргетировать тех, кто откликается, а не тех, кто и так сконвертится.
Как считать
Модели строят на экспериментальных данных, где воздействие известно: T-learner, S-learner, X-learner, causal forest. Качество ранжирования измеряют через QINI и AUUC — площадь под кривой накопленного uplift по отсортированным скорам. Хорошая модель поднимает метрику при том же охвате.
Ловушки
Без контрольной группы причинный эффект неотделим от корреляции. Сегментация по прогнозу исхода — не то же, что по эффекту: «likely to convert» ≠ «убеждаемый». На малых выборках QINI и AUUC не отличают даже оракул от шума, поэтому метрике доверяют только при достаточном числе наблюдений на группу.