隆起モデリング

アップリフト モデリングは、増分モデリング、トゥルー リフト モデリング、またはネット モデリングとも呼ばれ、個人の行動に対する処理 (ダイレクト マーケティング アクションなど) の増分影響を直接モデル化する 予測モデリング手法です。

アップリフト モデリングは、アップセル、クロスセル、リテンション モデリングのための顧客関係管理に応用されています。また、政治選挙や個別化医療にも応用されています。心理学における関連する差分予測の概念とは異なり、アップリフト モデリングでは能動的なエージェントを想定しています。

アップリフトモデリングは、ランダム化科学的コントロールを使用して、アクションの効果を測定するだけでなく、アクションに対する増分応答を予測する予測モデルを構築します。応答は、バイナリ変数（Webサイト訪問など）^[1]または連続変数（顧客収益など）です。^[2]アップリフトモデリングは、金融サービス、通信、小売ダイレクトマーケティング業界で主にアップセル、クロスセル、解約、および維持活動に適用されているデータマイニング手法です。

マーケティング キャンペーンの上昇は、通常、処置を受けたグループとランダム化されたコントロールグループ間の応答率の差として定義されます。これにより、マーケティング チームはマーケティング アクションの効果を分離し、個々のマーケティング アクションの有効性または非有効性を測定できます。誠実なマーケティング チームは、キャンペーンの増分効果のみを自分の功績とみなします。

ただし、多くのマーケティング担当者は、リフト（アップリフトではなく）を治療とコントロール間の応答率の差として定義しているため、アップリフト モデリングは予測モデリングを通じてリフトを改善（増加）することとして定義できます。

以下の表は、架空のマーケティング キャンペーンの応答数と計算された応答率を示すキャンペーンの詳細を示しています。このキャンペーンは、応答率が 5% 上昇すると定義されます。50,000 件の増分応答 (100,000 - 50,000) が作成されました。

従来の応答モデリングでは、通常、治療を受けた顧客のグループを対象に、いくつかの予測モデリング手法の 1 つを使用して、応答する可能性のある顧客と応答しない顧客を区別する予測モデルを構築しようとします。通常、これには決定木または回帰分析が使用されます。

このモデルでは、処理された顧客のみを使用してモデルを構築します。

対照的に、アップリフトモデリングでは、治療対象顧客と対照顧客の両方を使用して、増分反応に焦点を当てた予測モデルを構築します。このタイプのモデルを理解するために、顧客を次のグループに分ける基本的なセグメンテーションがあることが提案されています（これらの名前はN.ラドクリフによって提案され、^[3]で説明されています）

• 説得可能な顧客 : ターゲットにされていたためマーケティング活動に反応しただけの顧客
• 確実なもの  ：ターゲットにされたかどうかにかかわらず反応したであろう顧客
• 失われた原因  ：ターゲットかどうかに関係なく反応しない顧客
• 邪魔しないでまたは眠っている犬 ：ターゲットにされたために応答する可能性が低い顧客

真の漸進的な反応を示す唯一のセグメントは、説得可能な層です。

アップリフト モデリングは、顧客を上記のグループに分類できるスコアリング手法を提供します。

従来の応答モデリングでは、確実なもの（確実なもの）と説得可能なものを区別できないことがよくありました。

アップリフト モデリングは増分応答のみに焦点を当てているため、従来の需要創出および維持活動に適用すると、非常に強力な投資収益率が得られます。たとえば、アウトバウンド マーケティングキャンペーンで説得可能な顧客のみをターゲットにすることで、コンタクト コスト、ひいては単位支出あたりの収益率を大幅に向上できます。

アップリフト モデリングの最も効果的な使用法の 1 つは、リテンション キャンペーンによる悪影響の除去です。通信業界と金融サービス業界の両方で、リテンション キャンペーンが顧客の契約またはポリシーのキャンセルのきっかけになることがよくあります。アップリフト モデリングを使用すると、これらの顧客 (Do Not Disturb) をキャンペーンから除外できます。

単一の処理グループとコントロール グループが存在するケースはまれです。多くの場合、「処理」は、メッセージのさまざまな単純なバリエーション、または単一の処理として分類される多段階のコンタクト戦略です。A /Bテストまたは多変量テストの場合、アップリフト モデリングは、テストのバリエーションが、行動指標や人口統計指標などの他のターゲティング基準と比較して、大幅なアップリフトをもたらすかどうかを理解するのに役立ちます。

真の応答モデリングが最初に登場したのは、ラドクリフとサリーの研究であると思われる。^[4]

Victor LoもこのテーマについてThe True Lift Model（2002）^[5]で論文を発表しており、その後RadcliffeもUsing Control Groups to Target on Predicted Lift: Building and Assessing Uplift Models（2007）^{[6]で論文を発表している。}

ラドクリフ氏はまた、自身のウェブサイト「Scientific Marketer」で非常に役立つよくある質問（FAQ）セクションを提供しています。^[7] Lo（2008）は、プログラム設計から予測モデリング、最適化まで、より一般的なフレームワークと将来の研究分野を提供しています。^[8]

独立して、アップリフトモデリングはピオトル・ルゼパコフスキによって研究されてきました。彼はシモン・ヤロシェヴィッチとともに情報理論を応用して多クラスアップリフト決定木を構築し、2010年に論文を発表しました。^[9]そして2011年後半には、彼らはアルゴリズムを複数の治療ケースに拡張しました。^[10]

同様のアプローチは個別化医療でも研究されてきた。^{[11] [12]} Szymon JaroszewiczとPiotr Rzepakowski（2014）は生存分析のためのアップリフト法を設計し、ランダム化比較試験分析に適用した。^[13] Yong（2015）は動的プログラミングによる数学的最適化アルゴリズムと機械学習手法を組み合わせて、患者を最適に層別化した。^[14]

アップリフトモデリングは、心理学の古い概念である差分予測の特殊なケースです。^[15]差分予測とは対照的に、アップリフトモデリングは能動的なエージェントを想定し、アップリフトの尺度を最適化メトリックとして使用します。

アップリフトモデリングは最近拡張され、帰納的論理プログラミング、 [ 15 ^]、ベイジアンネットワーク、^[16]、統計的関係学習、^[12]、サポートベクターマシン、^{[17]、[18]、}生存分析^[13]、アンサンブル学習^[19]などのさまざまな機械学習アルゴリズムに組み込まれています。

アップリフトモデリングはマーケティングの実践（選挙とともに）で広く適用されているが、マーケティング文献にはほとんど登場していない。Kane、Lo、Zheng（2014）は、マーケティングジャーナルで複数の方法を使用して3つのデータセットを徹底的に分析し、新しいアプローチ（4象限法として知られる）が実際に非常にうまく機能するという証拠を示した。^[20] LoとPachamanova（2015）は、アップリフトモデリングを複数の治療状況の処方分析に拡張し、推定が正確ではない大規模な決定論的最適化問題と複雑な確率的最適化問題を解決するためのアルゴリズムを提案した。^[21]

最近の研究では、大量のデータを使用したベンチマーク研究で、さまざまな最先端のアップリフトモデルのパフォーマンスを分析しています。^{[22] [1]}

隆起モデリングの詳細な説明、その歴史、隆起モデルの構築方法、従来のモデル構築との違い、隆起特有の評価手法、さまざまなソフトウェアソリューションの比較、さまざまな経済シナリオの説明については、こちらをご覧ください。^[23]

• 因果ML
• ダブルML
• エコノミクス
• アップリフトML
• パイリフト
• scikit-uplift

• ダブルML
• アップリフトパッケージ

• SASによるJMP
• ピツニー・ボウズによるポートレートアップリフト
• Dymatrix によるKNIMEの Uplift ノード
• Stochastic Solutions による Miró の隆起モデリング

• Hillstrom 電子メール マーケティング データセット
• Criteo アップリフト予測データセット
• Lenta アップリフトモデリングデータセット
• X5 RetailHero アップリフト モデリング データセット
• MegaFon Uplift 競争データセット

• リフト（データマイニング）

• アビー・ジョンソンは、このビデオ放送でその仕組みを説明しています。
• 完全な参考文献を含む入門ホワイトペーパー
• エリック・シーゲル: アップリフトモデリング
• uplift-modeling.com のアップリフト モデリングのユーザー ガイド