Uplift Modeling

정의

uplift(증분효과)는 처치(treatment, 캠페인 노출·쿠폰·추천)가 한 개인의 결과(구매·전환)에 미치는 인과적 증분이다. 이진 처치 $W\in\{0,1\}$, 결과 $Y$, 공변량(covariate) $X$에 대해 다음과 같이 정의한다.

$\text{uplift}(x) = \mathbb{E}[Y\mid X=x, W=1] - \mathbb{E}[Y\mid X=x, W=0] = \tau(x)$

즉 uplift는 이진 처치에서의 CATE 와 같으며, “노출했을 때 얼마나 더 사는가”라는 질문에 개인 수준으로 답한다.

직관적 이해

응답(response) 모델 $P(Y=1\mid X, W=1)$ 은 살 사람을 찾지만, uplift 모델은 **노출 때문에 사게 되는 사람(persuadable)**을 찾는다. 이를 네 분면으로 나누면 다음과 같다.

	노출 시 구매	노출 시 미구매
미노출 시 미구매	Persuadable (타겟 ✓)	Lost cause
미노출 시 구매	Sure thing (낭비)	Sleeping dog (역효과 — 건드리지 말 것)

타겟팅(targeting)의 목적은 persuadable에만 처치를 집중해 ROI를 올리는 것이다.

추정 방법

• Meta-learner: S/T/X-learner, DR-Learner — 임의의 ML로 $\tau(x)$를 추정한다.
• Causal Forest: 트리 기반으로 uplift를 직접 추정한다 (Wager & Athey 2018).
• R-learner / DML: 잔차(residual) 직교화로 강건하게 추정한다.

장점과 한계

• 장점: 응답 모델보다 자원 배분이 효율적이고(persuadable에 집중), 음의 uplift(역효과)를 탐지한다.
• 한계: 반사실(counterfactual)은 관측할 수 없어 라벨이 없다(평가는 OPE·Qini/uplift curve로 한다). 관측 데이터에서는 선택편향·positivity 위반에 취약하다.

프로젝트 적용

Dunnhumby: CausalForestDML로 세그먼트별 uplift를 추정했다. VIP Heavy −$38, Bulk Shoppers −$40 등 음의 CATE(sleeping dog)를 발견했고, 이것이 전체 타겟팅 시 −$4,657 손실의 원인이었다. (프로젝트 canonical)

관련 개념

• Targeting Overview ← 허브
• CATE · HTE — uplift = 이진 처치 CATE
• Optimal Targeting Policy — uplift를 정책으로 변환
• Off-Policy Evaluation — uplift 정책 가치 평가

참고

• MOC-Targeting