Проект 01 · Uplift-моделирование

Uplift Engine

Персонализация промокодов: кому давать скидку, чтобы она действительно изменила решение о заказе, а не оплатила тех, кто заказал бы и так.

Модели two-model + transformed outcome Метрики Qini, AUUC, uplift@10% Стек Python, scikit-learn, FastAPI
AUUC · two-model
—
AUUC · transformed
—
Uplift@10%
—
Holdout, пользователей
—

Кривая Qini на отложенной выборке

Чем выше кривая над нулевой линией, тем точнее модель отделяет отзывчивых клиентов от тех, кто заказал бы и без скидки.

Uplift по сегментам клиентов

Средний CATE на пуле скоринга: где промокод реально меняет решение о заказе.

Кому отправлять промокод первыми

Сортировка по ожидаемой инкрементальной марже: uplift × (чек × маржа − доставка − номинал).

user_idСегментГород Промокод, ₽UpliftОжид. маржа, ₽

Как это связано с бизнесом

Uplift-модель отвечает на вопрос «даст ли промокод дополнительный заказ», а не «кто вероятнее закажет». Поэтому в скоринг уходит не вероятность конверсии, а её прирост, и уже он умножается на маржинальность заказа. Следующий проект — Promo Optimizer — забирает эти скоринги и раскладывает бюджет под ограничения CPO и маржи.