Рост конкуренции на рынке розничной торговли и электронной коммерции требует от компаний более точного подхода к планированию маркетинговых кампаний и персонализации коммуникаций с клиентами. Существующие модели предсказания отклика не способны изолировать эффект маркетингового воздействия от естественного покупательского поведения, что ведет к нерациональному расходованию бюджетов и затрудняет объективную оценку проводимых кампаний. Решением данной проблемы выступает uplift-моделирование – подход, позволяющий оценивать причинно-следственный эффект воздействия на уровне отдельного потребителя и определять сегменты аудитории с наибольшей восприимчивостью к коммуникациям. Настоящая статья посвящена сравнительному анализу методов uplift-моделирования с целью выбора наиболее результативного из них для оценки эффекта маркетингового воздействия. В рамках исследования рассмотрены пять методов (S-Learner, T-Learner, Class Transformation, X-Learner и R-Learner) на открытых данных Lenta Uplift Modeling Dataset, предоставленных розничной сетью Лента в рамках хакатона BigTarget совместно с Microsoft. Качество моделей оценивалось при помощи специализированных метрик (Uplift@k, Qini AUC, Uplift AUC, Weighted Average Uplift, Average Squared Deviation). По результатам анализа выявлены достоинства и недостатки каждого из подходов, а также установлен метод, показавший наилучшие результаты на рассматриваемом наборе данных.