🏗️Exemple concret
Un opérateur télécom segmente ses clients en 4 groupes via un uplift model. En ciblant uniquement les 20% de 'Persuadables' au lieu des 60% à haute propensité d'achat, il économise 35% du budget promo tout en maintenant 95% des conversions incrémentales.
∑ Concept clé
Uplift = P(Y=1|T=1, X) - P(Y=1|T=0, X) = Ï„(X). On cible les individus avec Ï„(X) > seuil
🎯Quand l'utiliser ?
✓Campagnes marketing avec budget limité
✓Programmes de fidélité et offres de rétention
✓Essais cliniques : traitement personnalisé
✓Quand l'effet moyen masque des effets hétérogènes
✅ Avantages
+ROI supérieur au ciblage par propensité classique
+Évite de 'gaspiller' des offres sur des clients déjà convaincus
+Identifie les clients à ne surtout pas contacter (Sleeping Dogs)
⚠️ Limites
−Nécessite un A/B test randomisé pour l'entraînement
−Données d'entraînement difficiles à collecter
−Moins intuitif que la propensité classique
🛠️ Outils principaux
CausalML (Uber)
pylift
scikit-uplift
EconML (Microsoft)
R (tools4uplift)
UpliftMarketingCausalitéIncrémentalCRM