🎯 В чём идея Uplift-моделирования? Привычные ML-модели отвечают на вопрос: «Кто с большой вероятностью купит?» или «Кто может уйти?» Но бизнесу часто нужен ответ на другой: «На кого подействует наше воздействие?» И это разные задачи. Например, мы хотим удержать пользователя и отправляем ему скидку на следующий заказ. Возможны четыре сценария: 🔸 Он остался бы и без скидки (Sure Things) – мы потеряли часть маржи, подарив скидку; 🔸 Ушел бы в любом случае (Lost Causes) – скидка не дала результата, зря потратили бюджет на доставку скидки; 🔸 Без скидки остался бы, но коммуникация вызвала негативную реакцию (Sleeping Dogs) – навредили; 🔸 Без скидки ушли бы, а благодаря ей остались (Persuadables) – именно их мы и хотим найти 🚀 Модель оттока ищет пользователей с высокой вероятностью ухода. Но среди них могут быть и Persuadables, которых можно удержать, и Lost Causes, на которых скидка не подействует. Uplift-модель ищет тех, чьё поведение изменится именно благодаря воздействию. Формально: Uplift = P(целевое действие | воздействие) − P(целевое действие | без воздействия) То есть нас интересует разница между двумя сценариями для одного пользователя: что произойдёт, если на него воздействовать, и что произойдет без воздействия. Одновременно наблюдать оба сценария для одного и того же пользователя невозможно, поэтому uplift оценивают на данных экспериментальной и контрольной групп в А/В. Два основных подхода к реализации: 1️⃣ Meta-learners – превращают обычные ML-модели в модели оценки эффекта. Например, S-learner, T-learner, X-learner и др. 2️⃣ Uplift-деревья – разделяют пользователей по различиям в реакции на воздействие. Uplift Random Forest, Causal Forest. Если воздействие стоит денег, может раздражать пользователей или по-разному работать на разных сегментах, недостаточно предсказать поведение. Нужно предсказать, как оно изменится именно из-за вашего решения. И с этим помогает Uplift-моделирование.