Применение uplift-моделирования в задачах повышения эффективности маркетинговых коммуникаций

В условиях высокой конкуренции для крупных современных компаний, производящих массовую продукцию или оказывающих массовые услуги, характерен рост затрат на рекламу, которая не всегда приносит ожидаемый эффект. Возрастает потребность в инструментах точной сегментации аудитории, которая способна повысить эффективность маркетинговых коммуникаций. Традиционные модели предсказания отклика не позволяют определить, изменилось ли поведение клиента именно под влиянием маркетингового воздействия, что снижает возможности конструктивного анализа маркетинговых кампаний. Данная статья направлена на исследование uplift-моделирования как инструмента оценки эффекта прироста положительных откликов от коммуникации и оптимизации таргетинга. Результаты исследования демонстрируют существенное преимущество подхода uplift-моделирования для выявления клиентских сегментов с максимальной чувствительностью к воздействию. Проведенный в рамках статьи сравнительный анализ различных подходов к построению uplift-моделей (таких как SoloModel, TwoModel, Class Transformation, Class Transformation with Regression), базирующийся на использовании специализированных uplift-метрик (uplift@k, Qini AUC, Uplift AUC, weighted average uplift, Average Squared Deviation), демонстрирует сильные и слабые стороны каждого из подходов моделирования. Исследование базируется на открытых данных X5 RetailHero Uplift Modeling Dataset, предоставленных X5 Retail Group для исследования методов uplift-моделирования в контексте ритейла.

1. Popov A., Iakovleva D. Adaptive Look-Alike Targeting in Social Networks Advertising. Procedia Computer Science. 2018;136:255–264. https://doi.org/10.1016/j.procs.2018.08.264

2. Hanssens D.M., Parsons L.J., Schultz R.L. Response Models in Marketing. In: Market Response Models: Econometric and Time Series Analysis. Dordrecht: Springer; 1990. P. 3–26. https://doi.org/10.1007/978-94-009-1073-7_1

3. Devriendt F., Moldovan D., Verbeke W. A Literature Survey and Experimental Evaluation of the State-of-the-Art in Uplift Modeling: A Stepping Stone Toward the Development of Prescriptive Analytics. Big Data. 2018;6(1):13–41. https://doi.org/10.1089/big.2017.0104

4. Rzepakowski P., Jaroszewicz S. Decision Trees for Uplift Modeling with Single and Multiple Treatments. Knowledge and Information Systems. 2012;32(2):303–327. https://doi.org/10.1007/s10115-011-0434-0

5. Lo V.S.Y. The True Lift Model: A Novel Data Mining Approach to Response Modeling in Database Marketing. ACM SIGKDD Explorations Newsletter. 2002;4(2):78–86. https://doi.org/10.1145/772862.772872

6. Ibragimov B., Vakhrushev A. Uplift Modelling via Gradient Boosting. In: KDD '24: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 25–29 August 2024, Barcelona, Spain. New York: Association for Computing Machinery; 2024. P. 1177–1187. https://doi.org/10.1145/3637528.3672019

7. Jaskowski M., Jaroszewicz S. Uplift Modeling for Clinical Trial Data. In: ICML 2012: Proceedings of the 29th International Conference on Machine Learning, 26 June – 1 July 2012, Edinburgh, Scotland, UK. 2012. P. 79–95.

8. Gutierrez P., Gérardy J.-Y. Causal Inference and Uplift Modelling: A Review of the Literature. In: PAPIs 2016: Proceedings of the 3rd International Conference on Predictive APIs and Apps, 11–12 October 2016, Boston, USA. PMLR; 2017. P. 1–13.

9. Devriendt F., Van Belle J., Guns T., Verbeke W. Learning to Rank for Uplift Modeling. IEEE Transactions on Knowledge and Data Engineering. 2022;34(10):4888–4904. https://doi.org/10.1109/TKDE.2020.3048510

10. Betlei A., Diemert E., Amini M.-R. Uplift Modeling with Generalization Guarantees. In: KDD '21: Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, 14–18 August 2021, Virtual Event, Singapore. New York: Association for Computing Machinery; 2021. P. 55–65. https://doi.org/10.1145/3447548.3467395