Hispanopedia Wiki
Articulo de referencia

Modelado de elevación

El modelado de impacto incremental , también conocido como modelado incremental , modelado de impacto real o modelado neto , es una técnica de modelado predictivo que modela dir...

Hispanopedia WikiContenido en espanolLectura gratuita

El modelado de impacto incremental , también conocido como modelado incremental , modelado de impacto real o modelado neto , es una técnica de modelado predictivo que modela directamente el impacto incremental de un tratamiento (como una acción de marketing directo ) en el comportamiento de un individuo.

El modelado de impacto tiene aplicaciones en la gestión de relaciones con el cliente para la venta adicional, la venta cruzada y la retención de clientes. También se ha aplicado a elecciones políticas y medicina personalizada . A diferencia del concepto de predicción diferencial en psicología, el modelado de impacto presupone un agente activo.

Introducción

El modelado de impacto utiliza un control aleatorio no solo para medir la efectividad de una acción, sino también para construir un modelo predictivo que pronostica la respuesta incremental a dicha acción. La respuesta puede ser una variable binaria (por ejemplo, una visita al sitio web) [ 1 ] o una variable continua (por ejemplo, los ingresos del cliente) [ 2 ] . El modelado de impacto es una técnica de minería de datos que se ha aplicado predominantemente en los sectores de servicios financieros, telecomunicaciones y marketing directo minorista para actividades de venta adicional , venta cruzada , retención de clientes y abandono de clientes .

Medición del aumento

El impacto de una campaña de marketing se define generalmente como la diferencia en la tasa de respuesta entre un grupo de tratamiento y un grupo de control aleatorio . Esto permite al equipo de marketing aislar el efecto de una acción y medir su efectividad. Los equipos de marketing honestos solo se atribuyen el mérito del impacto incremental de su campaña.

Sin embargo, muchos especialistas en marketing definen el lift (en lugar del uplift) como la diferencia en la tasa de respuesta entre el tratamiento y el control, por lo que el modelado de uplift puede definirse como la mejora (aumento) del lift a través del modelado predictivo.

La tabla a continuación muestra los detalles de una campaña, incluyendo el número de respuestas y la tasa de respuesta calculada para una campaña de marketing hipotética. Esta campaña se definiría como aquella que tuvo un incremento en la tasa de respuesta del 5%. Ha generado 50 000 respuestas adicionales (100 000 − 50 000).

Modelado de respuesta tradicional

Los modelos de respuesta tradicionales suelen tomar un grupo de clientes tratados e intentan construir un modelo predictivo que separe a los que probablemente responderán de los que no lo harán, utilizando una serie de técnicas de modelado predictivo , como árboles de decisión o análisis de regresión .

Este modelo utiliza únicamente a los clientes tratados para su construcción.

En contraste, el modelado de mejora utiliza tanto a los clientes tratados como a los de control para construir un modelo predictivo que se centra en la respuesta incremental. Para comprender este tipo de modelo, se propone una segmentación fundamental que separa a los clientes en los siguientes grupos (sus nombres fueron sugeridos por N. Radcliffe y explicados en [ 3 ] ):

  • Los clientes susceptibles de persuasión : clientes que solo responden a la acción de marketing porque fueron el objetivo de la campaña.
  • Lo seguro : clientes que habrían respondido independientemente de si habían sido el objetivo o no.
  • Los casos perdidos : clientes que no responderán independientemente de si son o no el público objetivo.
  • Los que no quieren molestar o los que están durmiendo : clientes con menos probabilidades de responder porque fueron el objetivo.

El único segmento que proporciona respuestas incrementales reales es el de los Persuadables .

El modelado de mejora proporciona una técnica de puntuación que intenta separar a los clientes en estos grupos.

Los modelos de respuesta tradicionales a menudo se centran en las cosas seguras , sin poder distinguirlas de las persuasibles .

Retorno de la inversión

Dado que el modelado de impacto se centra únicamente en las respuestas incrementales, ofrece un retorno de la inversión muy sólido cuando se aplica a las actividades tradicionales de generación y retención de demanda. Por ejemplo, al dirigir una campaña de marketing saliente solo a los clientes susceptibles de ser persuadidos , los costos de contacto y, por lo tanto, el retorno por unidad invertida, pueden mejorarse drásticamente.

Eliminación de los efectos negativos

Uno de los usos más efectivos del modelado de impacto es la eliminación de los efectos negativos de las campañas de retención. En los sectores de telecomunicaciones y servicios financieros, las campañas de retención pueden provocar que los clientes cancelen un contrato o póliza. El modelado de impacto permite excluir a estos clientes —los que no desean ser molestados— de la campaña.

Aplicación a pruebas A/B y multivariantes

Rara vez existe un único grupo de tratamiento y un único grupo de control. A menudo, el "tratamiento" puede consistir en diversas variaciones de mensajes sencillos o en una estrategia de contacto en varias etapas que se clasifica como un único tratamiento. En el caso de las pruebas A/B o multivariantes , el modelado de impacto puede ayudar a determinar si las variaciones en las pruebas generan un impacto significativo en comparación con otros criterios de segmentación, como indicadores demográficos o de comportamiento.

Aplicación de incrementalidad publicitaria

En el campo de la publicidad digital, el modelado de incremento se utiliza cada vez más como parte de la medición de incrementalidad , cuyo objetivo es estimar el efecto causal de una campaña —es decir, el cambio en los resultados atribuible al tratamiento de marketing— en lugar de simplemente predecir la probabilidad de respuesta o conversión. En este contexto, los modelos de incremento pueden utilizarse para (a) predecir qué clientes tienen más probabilidades de generar un incremento si reciben el tratamiento, o (b) calibrar o validar los resultados de diseños experimentales de validación cruzada en los que un grupo de control seleccionado aleatoriamente no recibe el tratamiento, lo que permite medir el verdadero incremento causal. [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ]

Historia de los modelos de mejora

La primera aparición del modelado de respuesta verdadera parece estar en el trabajo de Radcliffe y Surry. [ 10 ]

Victor Lo también publicó sobre este tema en The True Lift Model (2002), [ 11 ] y más tarde Radcliffe nuevamente con Using Control Groups to Target on Predicted Lift: Building and Assessing Uplift Models (2007). [ 12 ]

Radcliffe también ofrece una sección de preguntas frecuentes ( FAQ ) en su sitio web, Scientific Marketer. [ 13 ] Lo (2008) proporciona un marco más general, desde el diseño de programas hasta el modelado predictivo y la optimización, junto con áreas de investigación futuras. [ 14 ]

De forma independiente, Piotr Rzepakowski estudió el modelado de mejora. Junto con Szymon Jaroszewicz, adaptó la teoría de la información para construir árboles de decisión de mejora multicategoría y publicó el artículo en 2010. [ 15 ] Posteriormente, en 2011, extendieron el algoritmo al caso de múltiples tratamientos. [ 16 ]

Se han explorado enfoques similares en la medicina personalizada . [ 17 ] [ 18 ]

Szymon Jaroszewicz y Piotr Rzepakowski (2014) diseñaron una metodología de elevación para el análisis de supervivencia y la aplicaron al análisis de ensayos controlados aleatorios . [ 19 ]

Yong (2015) combinó un algoritmo de optimización matemática mediante programación dinámica con métodos de aprendizaje automático para estratificar de forma óptima a los pacientes. [ 20 ]

El modelado de elevación es un caso especial del concepto psicológico más antiguo de predicción diferencial. [ 21 ]

El modelado de elevación se ha extendido recientemente a diversos enfoques de aprendizaje automático , incluyendo programación lógica inductiva , [ 21 ] redes bayesianas , [ 22 ] aprendizaje relacional estadístico , [ 18 ] máquinas de vectores de soporte , [ 23 ] [ 24 ] análisis de supervivencia , [ 19 ] y aprendizaje de conjuntos . [ 25 ]

Aunque el modelado de impacto se aplica ampliamente en la práctica del marketing (junto con las elecciones políticas), rara vez ha aparecido en la literatura de marketing. Kane, Lo y Zheng (2014) publicaron un análisis exhaustivo de tres conjuntos de datos utilizando múltiples métodos en una revista de marketing y proporcionaron evidencia de que un enfoque más reciente (el "Método de los Cuatro Cuadrantes") tuvo un buen desempeño en la práctica. [ 26 ]

Lo y Pachamanova (2015) extendieron el modelado de elevación a la analítica prescriptiva para múltiples situaciones de tratamiento y propusieron algoritmos para resolver grandes problemas de optimización deterministas y estocásticos . [ 27 ]

Investigaciones recientes analizan el rendimiento de varios modelos de mejora de última generación en estudios comparativos que utilizan grandes cantidades de datos. [ 28 ] [ 1 ]

Una descripción detallada del modelado de elevación, su historia, técnicas de evaluación específicas de elevación, comparaciones de software y diferentes escenarios económicos se puede encontrar en: [ 29 ]

Implementaciones

En Python

  • CausalML , implementación de algoritmos de inferencia causal y de mejora [ 30 ]
  • DoubleML implementa el marco de ML doble/sin sesgo de Chernozhukov et al. [ 31 ]
  • EconML , herramientas para la estimación de efectos de tratamientos heterogéneos.
  • UpliftML , modelado de impacto escalable a partir de experimentos
  • PyLift (archivado)
  • scikit-uplift , modelado uplift al estilo sklearn

En R

  • DoubleML , mismo marco [ 31 ]
  • Paquete de actualización (eliminado de CRAN en 2022)

Otros idiomas

  • JMP de SAS
  • Retrato mejorado por Pitney Bowes
  • Nodo de mejora para KNIME de Dymatrix
  • Modelado de elevación en Miró por Stochastic Solutions

conjuntos de datos

  • Conjunto de datos de marketing por correo electrónico de Hillstrom
  • Conjunto de datos de predicción de elevación de Criteo
  • Conjunto de datos de modelado de elevación de Lenta
  • Conjunto de datos de modelado de incremento de ventas de X5 RetailHero
  • Conjunto de datos de la competición MegaFon Uplift

Notas y referencias

  1. 1 2 Devriendt, Floris; Moldovan, Darie; Verbeke, Wouter (2018). "Una revisión de la literatura y evaluación experimental del estado del arte en el modelado de elevación: un paso hacia el desarrollo de la analítica prescriptiva". Big Data . 6 (1): 13– 41. doi : 10.1089/big.2017.0104 . PMID 29570415 . 
  2. ↑ Gubela, Robin M.; Lessmann, Stefan; Jaroszewicz, Szymon (2020). "Transformación de respuesta y descomposición de beneficios para el modelado del aumento de ingresos". European Journal of Operational Research . 283 (2): 647– 661. arXiv : 1911.08729 . doi : 10.1016/j.ejor.2019.11.030 . S2CID 208175716 . 
  3. ↑ N. Radcliffe (2007). Identificación de quién puede ser salvado y quién será alejado por las actividades de retención . Stochastic Solution Limited
  4. ↑ Lewis, Randall A.; Rao, Justin M. (2015). "La economía desfavorable de medir los retornos de la publicidad" . Quarterly Journal of Economics . 130 (4): 1941– 1973. doi : 10.1093/qje/qjv023 .
  5. ↑ Bakshy, Eytan; Eckles, Dean (2018). "Designing Experiments to Measure Incrementality on Meta Platforms". arXiv : 1806.02588 [ cs.CY ].
  6. ↑ Gordon, Brett R.; Provost, Foster; Zhang, Jiyuan (2023). "Incrementalidad predictiva mediante experimentación (PIE)". arXiv : 2304.06828 [ cs.LG ].
  7. ↑ Gordon, Brett R.; Zettelmeyer, Florian; Bhargava, Sagar (2023). "¿Suficientemente cerca? Una exploración a gran escala de enfoques no experimentales para la medición de la publicidad" . Marketing Science . 42 (4): 768–793 . doi : 10.1287/mksc.2022.1413 .
  8. ↑ Dutton, Chandler (2025-09-04). "Experimentos de incrementalidad: una guía completa" . Haus . Recuperado el 2025-02-15 .
  9. ↑ Pavel, Petrinich (31 de enero de 2026). "Una guía para la medición de la incrementalidad" . SegmentStream . Consultado el 31 de enero de 2026 .
  10. ↑ Radcliffe, NJ; y Surry, PD (1999); Análisis de respuesta diferencial: Modelado de la respuesta real mediante el aislamiento del efecto de una sola acción , en Actas de Credit Scoring and Credit Control VI , Credit Research Centre, University of Edinburgh Management School
  11. ↑ Lo, VSY (2002); El modelo de elevación real , Boletín de exploraciones de ACM SIGKDD, vol. 4, n.° 2, 78–86
  12. ↑ Radcliffe, NJ (2007); Uso de grupos de control para segmentar según el aumento previsto: Creación y evaluación de modelos de aumento , Direct Marketing Analytics Journal
  13. ↑ Preguntas frecuentes de Scientific Marketer sobre modelos de mejora
  14. ↑ Lo, VSY (2008). "Nuevas oportunidades en la minería de datos de marketing". En Enciclopedia de almacenamiento y minería de datos , 2.ª ed.
  15. ↑ Rzepakowski, Piotr; Jaroszewicz, Szymon (2010). "Árboles de decisión para el modelado de mejora". Conferencia internacional IEEE 2010 sobre minería de datos . IEEE. págs. 441– 450. doi : 10.1109/ICDM.2010.62 . ISBN  978-1-4244-9131-5.
  16. ↑ Rzepakowski, Piotr; Jaroszewicz, Szymon (2011). "Árboles de decisión para el modelado de elevación con tratamientos únicos y múltiples" . Knowledge and Information Systems . 32 (2): 303– 327. doi : 10.1007/s10115-011-0434-0 .
  17. ↑ Cai, T.; Tian, ​​L.; Wong, PH; y Wei, LJ (2009); Análisis de datos de ensayos clínicos comparativos aleatorizados para la selección de tratamientos personalizados , Serie de documentos de trabajo de bioestadística de la Universidad de Harvard
  18. 1 2 Nassif, Houssam; Kuusisto, Finn; Burnside, Elizabeth S.; Page, David; Shavlik, Jude; Santos Costa, Vitor (2013). "Score as You Lift (SAYL): Un enfoque de aprendizaje relacional estadístico para el modelado de elevación". Ingeniería avanzada de sistemas de información . Notas de clase en ciencias de la computación. Vol. 8190. Springer. págs. 595–611 . doi : 10.1007/978-3-642-40994-3_38 . ISBN   978-3-642-38708-1. PMC 4492311 . PMID 26158122 .  
  19. ^ Jaroszewicz , Szymon; Rzepakowski, Piotr (2014). "Modelado de mejora con datos de supervivencia" (PDF) . Taller ACM SIGKDD sobre Informática en Salud (HI KDD'14) .
  20. ↑ Yong, FH (2015), "Métodos cuantitativos para la medicina estratificada", Tesis doctoral, Escuela de Salud Pública TH Chan de Harvard.
  21. 1 2 Nassif, Houssam; Santos Costa, Vitor; Burnside, Elizabeth S.; Page, David (2012). "Predicción diferencial relacional". Aprendizaje automático y descubrimiento de conocimiento en bases de datos . Notas de clase en ciencias de la computación. Vol. 7523. Springer. págs. 617–632 . doi : 10.1007/978-3-642-33460-3_45 . ISBN   978-3-642-33459-7.
  22. ↑ Nassif, Houssam; Wu, Yirong; Page, David; Burnside, Elizabeth (2012). "Red bayesiana de predicción diferencial lógica, mejora del diagnóstico de cáncer de mama en mujeres mayores" . Simposio de la Asociación Estadounidense de Informática Médica (AMIA'12) : 1330–1339 . PMC 3540455. PMID 23304412 .  
  23. ↑ Kuusisto, Finn; Santos Costa, Vitor; Nassif, Houssam; Burnside, Elizabeth; Page, David; Shavlik, Jude (2014). «Máquinas de vectores de soporte para predicción diferencial». Aprendizaje automático y descubrimiento de conocimiento en bases de datos . Notas de clase en informática. Vol. 8725. Springer. pp. 50–65 . doi : 10.1007/978-3-662-44851-9_4 . ISBN   978-3-662-44850-2.
  24. ↑ Zaniewicz, Lukasz; Jaroszewicz, Szymon (2013). "Máquinas de vectores de soporte para modelado de elevación". Taller ICDM sobre descubrimiento causal .
  25. ↑ Sołtys, Michał; Jaroszewicz, Szymon; Rzepakowski, Piotr (2015). "Métodos de conjunto para el modelado de elevación" . Minería de datos y descubrimiento de conocimientos . 29 (6): 1531–1559.doi : 10.1007 / s10618-014-0383-9 .
  26. ↑ Kane, K.; Lo, VSY; Zheng, J. (2014). "Mining for the Truly Responsive Customers and Prospects Using True-Lift Modeling". Journal of Marketing Analytics . 2 (4): 218– 238. doi : 10.1057/jma.2014.18 . S2CID 256513132 . 
  27. ↑ Lo, VSY; Pachamanova, D. (2015). "Del modelado predictivo de mejora al análisis prescriptivo de mejora". Journal of Marketing Analytics . 3 (2): 79– 95. doi : 10.1057/jma.2015.5 . S2CID 256508939 . 
  28. ↑ Gubela, Robin M.; Bequé, Artem; Lessmann, Stefan; Gebert, Fabian (2019). "Aumento de la conversión en el comercio electrónico: una evaluación comparativa sistemática de estrategias de modelado". International Journal of Information Technology & Decision Making . 18 (3): 747– 791. doi : 10.1142/S0219622019500172 . hdl : 10419/230773 . S2CID 126538764 . 
  29. ↑ R. Michel, I. Schnakenburg, T. von Martens (2019). Targeting Uplift . Springer. ISBN 978-3-030-22625-1
  30. ↑ Chen, Huigang; Harinen, Totte; Lee, Jeong-Yoon; Yung, Mike; Zhao, Zhenyu (2020). "CausalML: Paquete de Python para aprendizaje automático causal". arXiv : 2002.11631 [ cs.LG ].
  31. 1 2 Chernozhukov, Victor; Chetverikov, Denis; Demirer, Mert; Duflo, Esther; Hansen, Christian; Newey, Whitney; Robins, James (2018-02-01). "Aprendizaje automático doble/sin sesgo para parámetros estructurales y de tratamiento" . The Econometrics Journal . 21 (1): C1– C68. doi : 10.1111/ectj.12097 . hdl : 10419/189736 .

Véase también

  • Documento técnico introductorio
  • Eric Siegel: Modelado de impacto
  • Guía del usuario para el modelado de elevación