Предсказать, кто купит, - недостаточно 😉 Нужно понять, кто купит именно благодаря вам. Допустим, у банка есть миллион клиентов и предложение: «возьмите кредит — получите бонус». Обычная ML-модель решает задачу: P (покупка | клиент). Находим клиентов с максимальной вероятностью покупки и отправляем им предложение. Но тут есть проблема: часть из них и так собиралась взять кредит. Получается, мы просто заплатили бонус за действие, которое произошло бы без нас. Uplift-моделирование решает другую задачу: uplift(x) = P(Y=1 | treatment, x) − P(Y=1 | control, x) То есть пытается оценить не вероятность события, а насколько наше воздействие изменит поведение конкретного клиента. Классически клиентов здесь делят на четыре группы: 🔵Убеждаемый (Persuadables) - купят именно благодаря воздействию. Самая интересная аудитория. 🔵Лояльный (Sure Things) - купят и без нас. Зачем тратить на них скидку? 🔵Потерянный (Lost Causes) - не купят в любом случае. 🔵Не беспокоить (Do-Not-Disturbs) - коммуникация может даже снизить вероятность покупки. Поэтому uplift - это уже не просто prediction. Это переход в сторону causal ML: что произошло именно вследствие нашего действия? Причем это давно не академическая история. 1️⃣У X5 был RetailHero - соревнование по uplift-моделированию на реальных данных ритейла: сотни тысяч клиентов и десятки миллионов транзакций. Этот датасет сегодня можно загрузить прямо из scikit-uplift. 2️⃣Одна синяя компания применяла uplift в запрещенном в РФ инстаграме для управления push-уведомлениями. Пользователей случайно делили на treatment / control, а затем модель училась оценивать incremental impact: изменится ли поведение конкретного пользователя именно из-за отправленного ему уведомления. 3️⃣Uber открыл CausalML - большую библиотеку для оценки heterogeneous treatment effects: S/T/X/R/DR-learners, uplift trees и другие causal-подходы. 4️⃣Microsoft Research развивает EconML - еще более серьезный инструментарий на стыке ML и эконометрики для оценки индивидуальных эффектов воздействия. В России тоже есть отличный open-source стек. ⚡️ МТС — scikit-uplift (sklift). Sklearn-like библиотека, с которой довольно удобно начинать: meta-learners, uplift-подходы, Qini, uplift curve, AUUC и интеграция с привычными ML-моделями. А теперь появился еще и AUF - Automatic Uplift Framework от Alfa Advanced Analytics: смотрим ссылку Здесь идея уже ближе к AutoML для uplift: подготовка и проверки данных, feature selection, обучение разных uplift-подходов, сравнение моделей, метрики и MLflow. Есть S-, T-, X-learners, uplift trees / forests и multi-treatment. И вот последнее интересно. Потому что следующий уровень — оценивать уже не просто: кому показать предложение? А: кому × какое предложение × по какому каналу × в какой момент × с какой скидкой? Например, одному клиенту ничего не отправлять. Второму - push без скидки. Третьему - дать 5%. Четвертому - позвонить. А пятого вообще лучше не трогать. 🔹И оптимизировать при этом не вероятность покупки, а инкрементальную прибыль с учетом стоимости воздействия. Получается важный переход: Propensity → Uplift → Next Best Action. Обычный ML пытается предсказать будущее. Causal ML пытается понять, как это будущее изменить. 💬 Присоединиться к обсуждению в чате Телеграм канал Андрей Анисимов @ideasforai #AI_и_работа