moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.50.3.031 2023 Применение uplift-моделирования в задачах повышения эффективности маркетинговых коммуникаций Application of uplift modeling in tasks of increasing the effectiveness of marketing communications Азарнова Татьяна Васильевна Azarnova Tatiana Vasilievna ivdas92@mail.ru aff-1 Ярош Елизавета Валентиновна Yarosh Elizaveta Valentinovna yarosh.elizabeth@gmail.com aff-2 Воронежский государственный университет Voronezh State University Воронежский государственный университет Voronezh State University 01 01 2026 1 1 10.26102/2310-6018/2025.50.3.031 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

In the conditions of high competition for large modern companies producing mass products or providing mass services, it is typical to increase advertising costs, which does not always bring the expected effect. There is a growing need for tools for precise audience segmentation, which can increase the effectiveness of marketing communications. Traditional response prediction models do not allow us to determine whether the client's behavior has changed under the influence of marketing impact, which reduces the possibilities of constructive analysis of marketing campaigns. This article is aimed at studying uplift modeling as a tool for assessing the effect of increasing positive responses from communication and targeting optimization. The results of the study demonstrate significant advantages of the uplift modeling approach for identifying client segments with maximum sensitivity to impact. The comparative analysis of various approaches to building uplift models (such as SoloModel, TwoModel, Class Transformation, Class Transformation with Regression), based on the use of specialized uplift metrics (uplift@k, Qini AUC, Uplift AUC, weighted average uplift, Average Squared Deviation), conducted within the article, demonstrates the strengths and weaknesses of each of the modeling approaches. The study is based on open data X5 RetailHero Uplift Modeling Dataset, provided by X5 Retail Group for the study of uplift modeling methods in the context of retail.

 uplift-моделирование машинное обучение маркетинговые коммуникации таргетинг оценка отклика метрики качества uplift-моделей uplift modeling machine learning marketing communications targeting response evaluation uplift model quality metrics Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 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 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 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 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 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 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 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. 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. 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 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

The authors declare that there are no conflicts of interest present.