Yüksəlmənin modelləşdirilməsi

Yüksəlmənin modelləşdirilməsi (həmçinin artımlı modelləşdirmə, əsl yüksəliş modelləşdirmə və ya net modelləşdirmə kimi tanınır) — bir fərdin davranışına təsirin (məsələn, birbaşa marketinq tədbiri kimi) artımlı təsirini birbaşa modelləşdirən proqnozlaşdırıcı modelləşdirmə texnikası.^[1]

Yüksəlmənin modelləşdirilməsi müştəri münasibətlərinin idarə olunmasında up-sell, cross-sell və müştərinin saxlanması (ing. retention) modelləşdirməsi üçün tətbiqlərə malikdir.^[2] O, həmçinin siyasi seçkilərdə və fərdiləşdirilmiş tibbdə də istifadə edilmişdir. Psixologiyada əlaqəli olan Fərqli Proqnozlaşdırma (ing. Differential Prediction) konsepsiyasından fərqli olaraq, Yüksəlmənin modelləşdirilməsi aktiv agentin mövcudluğunu nəzərdə tutur.^[3]

Haqqında

Yüksəlmənin modelləşdirilməsi — müalicə və ya təsir tədbirinin (məsələn, marketinq kampaniyası, fərdi təklif və s.) müştəri və ya fərdin davranışına verdiyi əlavə (artım) təsiri ölçmək və proqnozlaşdırmaq üçün istifadə olunan analitik və statistik yanaşmadır.^[4] Bu metod ənənəvi cavab modellərindən fərqli olaraq, təsirin səbəb-nəticə əlaqəsini birbaşa qiymətləndirir və yalnız cavab ehtimalını deyil, məhz müalicənin gətirdiyi fərqi öyrənir.^[5]

Yüksəlmənin ölçülməsi

Yüksəlmənin ölçülməsi xüsusi eksperimental və ya müşahidə olunan verilənlər əsasında aparılır.^[6] Əsas məqsəd, müalicə qrupunun nəticələri ilə nəzarət qrupunun nəticələri arasındakı fərqi statistik cəhətdən etibarlı şəkildə müəyyən etməkdir.^[7] Yüksəlmənin ölçülməsi üçün müxtəlif metriklər — məsələn, qaldırma dərəcəsi (lift rate), inkremental cavab (incremental response) və net təsir göstəriciləri tətbiq olunur. Təcrübələrdə təsadüfi seçilmiş nəzarət qrupu kritik rol oynayır, çünki təsirin yalnız kampaniya və ya tədbirdən qaynaqlandığını sübut etməyə imkan verir.^[8]

Aşağıdakı cədvəl hipotetik marketinq kampaniyası üçün cavabların sayını və təxmini cavab dərəcəsini göstərən kampaniya məlumatlarını təqdim edir. Bu kampaniya cavab nisbətinin 5% artması ilə müəyyən edilir və 50,000 əlavə cavab (100,000–50,000) yaratdı.^[9]^[10]

Qrup	Müştərilərin sayı	Cavablar	Cavab dərəcəsi
Emal olunmuş	1,000,000	100,000	10%
Nəzarət	1,000,000	50,000	5%

Ənənəvi cavab modelləşdirməsi

Ənənəvi cavab modelləşdirməsi (ing. response modelling) müəyyən bir təklif və ya müalicəyə cavab verəcək fərdləri proqnozlaşdırmaq üçün istifadə olunur. Bu yanaşmada əsas diqqət müalicə və cavab arasındakı korrelyasiyaya yönəlib. Yüksəlmənin modelləşdirilməsi isə fərdi cavab ehtimalından daha çox, müalicənin yaratdığı əlavə təsiri öyrənməklə fərqlənir. Beləliklə, yüksəlmənin modelləşdirilməsi ənənəvi yanaşmanın məhdudiyyətlərini aradan qaldırır.^[11]

İnvestisiyanın gəlirliliyi

Yüksəlmə modelləri şirkətlərin investisiyanın gəlirliliyi (ROI) göstəricisini artırmaqda mühüm vasitədir. Marketinq kampaniyaları yalnız təsirə həssas olan müştərilərə yönəldildikdə, lazımsız xərclər azalır və daha yüksək gəlir əldə olunur. İnkremental təsirin ölçülməsi real iqtisadi səmərənin daha düzgün hesablanmasına və kampaniya büdcəsinin optimal bölüşdürülməsinə imkan yaradır.

Bəzi hallarda marketinq və ya emal tədbirləri mənfi təsir göstərə bilər. Yüksəlmənin modelləşdirilməsi belə mənfi təsirləri aşkar etməyə kömək edir. Məsələn, həddindən artıq e-poçt göndərişi müştərinin imtina (churn) ehtimalını artıra bilər. Yüksəlmə yanaşması vasitəsilə bu cür neqativ seqmentlər müəyyən edilərək kampaniyadan çıxarılır və ümumi strategiya təkmilləşdirilir.

Yüksəlmənin modelləşdirilməsi A/B testi və çoxdəyişənli (multivariate) testlərlə sıx bağlıdır. A/B testləri iki fərqli strategiyanın təsirini müqayisə etmək üçün istifadə olunur, lakin uplift yanaşması bu təsirin konkret fərdlər üzrə hansı artımı təmin etdiyini öyrənməyə imkan verir. Çoxdəyişənli testlərdə isə bir neçə fərqli kombinasiyanın təsiri eyni anda analiz edilə bilər. Nəticədə, ən səmərəli variantlar daha dəqiq seçilir.

Tarixi

Yüksəlmə modelləşdirməsinin elmi əsasları 1990-cı illərin sonlarında marketinq analitikası sahəsində formalaşmağa başlamışdır. İlk tətbiqlər telekommunikasiya və maliyyə sektorlarında həyata keçirilmişdir. 2000-ci illərin əvvəllərində böyük məlumat bazaları və hesablama gücünün artması ilə metod genişlənmiş, daha sonra siyasi kampaniyalar, səhiyyə və fərdiləşdirilmiş tibb sahələrində istifadə olunmağa başlamışdır.^[12]

Tətbiqi

Yüksəlmə modelləşdirməsinin tətbiqi bir sıra statistik və maşın öyrənməsi alqoritmlərinə əsaslanır.^[13] İkiqat model yanaşması (two-model approach), qruplar üzrə təsir qiymətləndirilməsi, ağac əsaslı metodlar (uplift decision trees, causal forests) və bayes yanaşmaları geniş istifadə olunur.^[14]

Python

Python mühitində scikit-uplift, CausalML, EconML^[15] kimi kitabxanalar yüksəlmə modellərinin qurulması və qiymətləndirilməsi üçün geniş imkanlar təqdim edir. Bu kitabxanalar həm klassik ikiqat model üsullarını, həm də səbəb-nəticə yönümlü daha mürəkkəb alqoritmləri dəstəkləyir.^[16]

R

R proqramlaşdırma dilində uplift, tools4uplift və causalTree paketləri məşhurdur.^[17] Bu paketlər statistik modelləşdirmə və vizuallaşdırma imkanları ilə yanaşı, A/B testləri və eksperimental dizaynların təhlilinə dəstək verir. R mühiti analitiklərə akademik və praktiki tətbiqlər üçün zəngin funksionallıq təqdim edir.^[18]

İstinadlar

↑ Chernozhukov, Victor; Chetverikov, Denis; Demirer, Mert; Duflo, Esther; Hansen, Christian; Newey, Whitney; Robins, James. "Double/debiased machine learning for treatment and structural parameters". The Econometrics Journal. 21 (1). 1 fevral 2018: C1–C68. doi:10.1111/ectj.12097. hdl:10419/189736. ISSN 1368-4221.
↑ Chen, Huigang; Harinen, Totte; Lee, Jeong-Yoon; Yung, Mike; Zhao, Zhenyu. "CausalML: Python Package for Causal Machine Learning". 2020. arXiv:2002.11631 [cs.CY].
↑ R. Michel, I. Schnakenburg, T. von Martens (2019). "Targeting Uplift". Springer, ISBN 978-3-030-22625-1
↑ Devriendt, Floris; Moldovan, Darie; Verbeke, Wouter. "A literature survey and experimental evaluation of the state-of-the-art in uplift modeling: A stepping stone toward the development of prescriptive analytics". Big Data. 6 (1). 2018: 13–41. doi:10.1089/big.2017.0104. PMID 29570415.
↑ Gubela, Robin M.; Lessmann, Stefan; Jaroszewicz, Szymon. "Response transformation and profit decomposition for revenue uplift modeling". European Journal of Operational Research. 283 (2). 2020: 647–661. arXiv:1911.08729. doi:10.1016/j.ejor.2019.11.030.
↑ Lo, V.S.Y.; Pachamanova, D. "From Predictive Uplift Modeling to Prescriptive Uplift Analytics: A Practical Approach to Treatment Optimization While Accounting for Estimation Risk". Journal of Marketing Analytics. 3 (2). 2015: 79–95. doi:10.1057/jma.2015.5.
↑ Kane, K.; Lo, V.S.Y.; Zheng, J. "Mining for the Truly Responsive Customers and Prospects Using True-Lift Modeling: Comparison of New and Existing Methods". Journal of Marketing Analytics. 2 (4). 2014: 218–238. doi:10.1057/jma.2014.18.
↑ Sołtys, Michał; Jaroszewicz, Szymon; Rzepakowski, Piotr. "Ensemble methods for uplift modeling". Data Mining and Knowledge Discovery. 29 (6). 2015: 1531–1559. doi:10.1007/s10618-014-0383-9.
↑ Kuusisto, Finn; Santos Costa, Vitor; Nassif, Houssam; Burnside, Elizabeth; Page, David; Shavlik, Jude. Support Vector Machines for Differential Prediction // Machine Learning and Knowledge Discovery in Databases. Lecture Notes in Computer Science. 8725. Nancy, France. 2014. 50–65. doi:10.1007/978-3-662-44851-9_4. ISBN 978-3-662-44850-2. PMC 4492338. PMID 26158123.
↑ Zaniewicz, Lukasz; Jaroszewicz, Szymon. "Support Vector Machines for Uplift Modeling". The First IEEE ICDM Workshop on Causal Discovery. Dallas, Texas. 2013.
↑ N. Radcliffe (2007). Identifying who can be saved and who will be driven away by retention activity. Stochastic Solution Limited
↑ Radcliffe, N. J.; and Surry, P. D. (1999); Differential response analysis: Modelling true response by isolating the effect of a single action, in Proceedings of Credit Scoring and Credit Control VI, Credit Research Centre, University of Edinburgh Management School
↑ Lo, V. S. Y. (2002); The True Lift Model, ACM SIGKDD Explorations Newsletter, Vol. 4, No. 2, 78–86, available at http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=4FD247B4987CBF2E29186DACE0D40C3D?doi=10.1.1.99.7064&rep=rep1&type=pdf
↑ Radcliffe, N. J. (2007); Using Control Groups to Target on Predicted Lift: Building and Assessing Uplift Models, Direct Marketing Analytics Journal, Direct Marketing Association
↑ Lo, V. S. Y. (2008) "New Opportunities in Marketing Data Mining." In Encyclopedia of Data Warehousing and Mining, 2nd edition, edited by Wang (2008), Idea Group Publishing.
↑ The Scientific Marketer FAQ on Uplift Modelling
↑ Rzepakowski, Piotr; Jaroszewicz, Szymon. "Decision trees for uplift modeling with single and multiple treatments". Knowledge and Information Systems. 32 (2). 2011: 303–327. doi:10.1007/s10115-011-0434-0.
↑ Rzepakowski, Piotr; Jaroszewicz, Szymon. Decision Trees for Uplift Modeling // 2010 IEEE International Conference on Data Mining. Sydney, Australia. 2010. 441–450. doi:10.1109/ICDM.2010.62. ISBN 978-1-4244-9131-5.

[:1-1] Chernozhukov, Victor; Chetverikov, Denis; Demirer, Mert; Duflo, Esther; Hansen, Christian; Newey, Whitney; Robins, James. "Double/debiased machine learning for treatment and structural parameters". The Econometrics Journal. 21 (1). 1 fevral 2018: C1–C68. doi:10.1111/ectj.12097. hdl:10419/189736. ISSN 1368-4221.

[2] Chen, Huigang; Harinen, Totte; Lee, Jeong-Yoon; Yung, Mike; Zhao, Zhenyu. "CausalML: Python Package for Causal Machine Learning". 2020. arXiv:2002.11631 [cs.CY].

[3] R. Michel, I. Schnakenburg, T. von Martens (2019). "Targeting Uplift". Springer, ISBN 978-3-030-22625-1

[:0-4] Devriendt, Floris; Moldovan, Darie; Verbeke, Wouter. "A literature survey and experimental evaluation of the state-of-the-art in uplift modeling: A stepping stone toward the development of prescriptive analytics". Big Data. 6 (1). 2018: 13–41. doi:10.1089/big.2017.0104. PMID 29570415.

[5] Gubela, Robin M.; Lessmann, Stefan; Jaroszewicz, Szymon. "Response transformation and profit decomposition for revenue uplift modeling". European Journal of Operational Research. 283 (2). 2020: 647–661. arXiv:1911.08729. doi:10.1016/j.ejor.2019.11.030.

[6] Lo, V.S.Y.; Pachamanova, D. "From Predictive Uplift Modeling to Prescriptive Uplift Analytics: A Practical Approach to Treatment Optimization While Accounting for Estimation Risk". Journal of Marketing Analytics. 3 (2). 2015: 79–95. doi:10.1057/jma.2015.5.

[7] Kane, K.; Lo, V.S.Y.; Zheng, J. "Mining for the Truly Responsive Customers and Prospects Using True-Lift Modeling: Comparison of New and Existing Methods". Journal of Marketing Analytics. 2 (4). 2014: 218–238. doi:10.1057/jma.2014.18.

[8] Sołtys, Michał; Jaroszewicz, Szymon; Rzepakowski, Piotr. "Ensemble methods for uplift modeling". Data Mining and Knowledge Discovery. 29 (6). 2015: 1531–1559. doi:10.1007/s10618-014-0383-9.

[9] Kuusisto, Finn; Santos Costa, Vitor; Nassif, Houssam; Burnside, Elizabeth; Page, David; Shavlik, Jude. Support Vector Machines for Differential Prediction // Machine Learning and Knowledge Discovery in Databases. Lecture Notes in Computer Science. 8725. Nancy, France. 2014. 50–65. doi:10.1007/978-3-662-44851-9_4. ISBN 978-3-662-44850-2. PMC 4492338. PMID 26158123.

[10] Zaniewicz, Lukasz; Jaroszewicz, Szymon. "Support Vector Machines for Uplift Modeling". The First IEEE ICDM Workshop on Causal Discovery. Dallas, Texas. 2013.

[11] N. Radcliffe (2007). Identifying who can be saved and who will be driven away by retention activity. Stochastic Solution Limited

[12] Radcliffe, N. J.; and Surry, P. D. (1999); Differential response analysis: Modelling true response by isolating the effect of a single action, in Proceedings of Credit Scoring and Credit Control VI, Credit Research Centre, University of Edinburgh Management School

[13] Lo, V. S. Y. (2002); The True Lift Model, ACM SIGKDD Explorations Newsletter, Vol. 4, No. 2, 78–86, available at http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=4FD247B4987CBF2E29186DACE0D40C3D?doi=10.1.1.99.7064&rep=rep1&type=pdf

[14] Radcliffe, N. J. (2007); Using Control Groups to Target on Predicted Lift: Building and Assessing Uplift Models, Direct Marketing Analytics Journal, Direct Marketing Association

[15] Lo, V. S. Y. (2008) "New Opportunities in Marketing Data Mining." In Encyclopedia of Data Warehousing and Mining, 2nd edition, edited by Wang (2008), Idea Group Publishing.

[16] The Scientific Marketer FAQ on Uplift Modelling

[multiple-treatment-uplift-trees-17] Rzepakowski, Piotr; Jaroszewicz, Szymon. "Decision trees for uplift modeling with single and multiple treatments". Knowledge and Information Systems. 32 (2). 2011: 303–327. doi:10.1007/s10115-011-0434-0.

[uplift-trees-18] Rzepakowski, Piotr; Jaroszewicz, Szymon. Decision Trees for Uplift Modeling // 2010 IEEE International Conference on Data Mining. Sydney, Australia. 2010. 441–450. doi:10.1109/ICDM.2010.62. ISBN 978-1-4244-9131-5.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]