#uplift

노트 3개

• Customer Segmentation & Causal Targeting — An Applied Case Study An end-to-end applied case study on the public Dunnhumby dataset — NMF latent factors and K-Means segmentation feeding meta-learner / Causal Forest HTE and an OPE-validated optimal targeting policy, with a candid look at positivity violation and counter-intuitive "sleeping dog" segments.
• Dunnhumby — Track 2: Causal Targeting via Heterogeneous Treatment Effects 심각한 positivity violation(PS AUC 0.989) 아래에서 Meta-learner·Causal Forest로 CATE를 추정한다. 최적 정책은 고객의 약 31%를 타겟팅하고, 반직관적인 음의 CATE 세그먼트를 드러낸다. 공개 데이터 기반의 가설 생성용 분석이다.
• Uplift Modeling 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.