Применение uplift-моделирования для повышения эффективности адресных маркетинговых кампаний в ритейле

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.

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. 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

3. Hansotia B., Rukstales B. Incremental value modeling. Journal of Interactive Marketing. 2002;16(3):35–46. https://doi.org/10.1002/dir.10035

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. Künzel S.R., Sekhon J.S., Bickel P.J., et al. Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the National Academy of Sciences of the United States of America. 2019;116(10):4156–4165. https://doi.org/10.1073/pnas.1804597116

6. 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

7. Kane K., Lo V.S.Y., Zheng J. Mining for the truly responsive customers and prospects using true-lift modeling: Comparison of new and existing methods. Journal of Marketing Analytics. 2014;2(4):218–238. https://doi.org/10.1057/jma.2014.18

8. Jaskowski M., Jaroszewicz S. Uplift modeling for clinical trial data. In: Proceedings of the 29th International Conference on Machine Learning (ICML 2012), 26 June – 01 July 2012, Edinburgh, Scotland, UK. 2012. URL: https://home.ipipan.waw.pl/sj/pdf/logsemi.pdf

9. Nie X., Wager S. Quasi-oracle estimation of heterogeneous treatment effects. Biometrika. 2021;108(2):299–319. https://doi.org/10.1093/biomet/asaa076

10. Gubela R.M., Lessmann S., Jaroszewicz S. Response transformation and profit decomposition for revenue uplift modeling. European Journal of Operational Research. 2020;283(2):647–661. https://doi.org/10.1016/j.ejor.2019.11.030