Guardrailed Uplift Targeting — 约束优化 CATE：业务护栏驱动的精准干预

1. 解决的问题

当前做法是向所有"高流失风险"用户统一发"免费延长30天"优惠券，ROI 极低——很多用户即使不发券也会续订

2. 核心算法逻辑

核心思想：不是问"谁会流失"，而是问"谁会因为我的干预而改变行为"——并且在预算和收入保护约束下，只精准打击这批人。

3. 业务应用场景

业务问题：奶粉/纸尿裤订阅用户次月流失预警。当前做法是向所有"高流失风险"用户统一发"免费延长30天"优惠券，ROI 极低——很多用户即使不发券也会续订。

数据要求： - 历史 A/B 测试数据（有无发券的随机对照）：最少 5,000 用户，干预组/对照组各占50% - 特征：`purchase_freq`（近30天下单次数）、`days_since_last`（最近购买距今天数）、`ltv`（历史累计消费）、`has_subscription`（是否当前订阅）、`category_loyalty`（品类粘性）、`price_sensitivity`（促销响应历史） - 结果变量：`renewed`（30天内续订标志 0/1）

预期产出： - 每个用户的 CATE 分数（个体优惠券响应增量） - 最优定向名单：只覆盖 6-12% 用户，优先 CATE > 0.05 的 persuadables - Qini 曲线对比（全量 vs 约束优化策略）

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

25-28万

7. 代码模板

代码块数量：1 · 路径：paper2skills-code/causal_inference/guardrailed_uplift_targeting

"""
Guardrailed Uplift Targeting — 约束优化 CATE 实现
论文: arXiv:2512.19805 | 场景: 母婴订阅用户挽留
"""

from __future__ import annotations

import numpy as np
import pandas as pd
from dataclasses import dataclass, field
from typing import Optional, Tuple
from sklearn.ensemble import GradientBoostingClassifier, GradientBoostingRegressor
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler


# ────────────────────────────────────────────
# 数据结构
# ────────────────────────────────────────────

@dataclass
class CustomerFeatures:
    """母婴客户特征"""
    purchase_freq: float        # 近30天下单次数
    days_since_last: float      # 最近购买距今天数
    ltv: float                  # 历史累计消费金额(¥)
    has_subscription: int       # 是否当前订阅 (0/1)
    category_loyalty: float     # 品类粘性分 (0-1)
    price_sensitivity: float    # 促销响应历史分 (0-1)


@dataclass
class TargetingPolicy:
    """定向策略输出"""
    targeting_mask: np.ndarray          # 布尔数组：哪些客户被选中
    targeting_rate: float               # 定向比例
    expected_lift: float                # 预期增量挽留率
    expected_cost_saving: float         # 相比全量发券节省成本比例
    roi: float                          # ROI 倍数
    persuadables_count: int             # persuadables 数量
    sleeping_dogs_excluded: int         # 排除的 sleeping dogs 数量
    cate_scores: np.ndarray             # 每个客户的 CATE 分数


# ────────────────────────────────────────────
# CATE 估计器（X-Learner 简化版）
# ────────────────────────────────────────────

class CATEEstimator:
    """
    X-Learner CATE 估计器
    阶段1: 分别训练干预组/对照组响应模型
    阶段2: 用交叉预测估计个体处理效应
    阶段3: 倾向得分加权融合
    """

    def __init__(self, n_estimators: int = 100, random_state: int = 42):
        self.n_estimators = n_estimators
        self.random_state = random_state

8. 论文来源

• 2512.19805