Uplift Modeling (元学习框架)

1. 解决的问题

识别哪些用户最有可能因为某个干预（如促销、广告）而产生正向行为。

2. 核心算法逻辑

Uplift Modeling（提升建模）解决的核心问题是：识别哪些用户最有可能因为某个干预（如促销、广告）而产生正向行为。与传统的响应预测模型不同，uplift model 预测的是"干预带来的增量效果"，而非"干预后的绝对结果"。

3. 业务应用场景

业务问题： 我们销售吸奶器到北美/欧洲市场，在 Facebook/Instagram 投放广告。传统方法是预测转化概率，但高转化概率用户可能本身就是高购买意愿用户，广告只是"锦上添花"。我们需要找到广告"增量转化"的用户——即如果不投广告就不会购买，但投了广告就会购买的用户。

数据要求： - 用户特征：年龄、性别、国家（美国/加拿大/英国/德国）、设备类型、浏览行为（浏览页数、浏览时长）、加购行为、购买历史、是否孕妈/新手妈妈等 - 实验数据：Facebook A/B 测试数据或历史渐进式投放数据 - 标签：广告曝光、点击、是否购买吸奶器 - 数据量：建议至少 10,000 条样本（干预组和对照组各 5,000+）

预期产出： - 每个用户的 uplift score：预测该用户看到吸奶器广告后的增量购买概率 - 用户分群：高 uplift（广告敏感）/ 中 uplift / 低 uplift（自然转化）/ 负 uplift（看了广告反而降低购买意愿） - 投放策略： - 高 uplif：重点投放，预算倾斜 - 负 uplift：减少投放或排除 - 低 uplift：自然转化，不依赖广告

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

• 数据要求：需要 A/B 测试数据或准实验数据
• 技术门槛：中等，需要理解因果推断基本概念
• 工程复杂度：低，模型训练和预测均为标准 ML 流程
• 维护成本：低，模型可定期更新
• 业务价值高：直接关联广告投放和促销成本优化
• 见效快：1-2 周可完成 POC，1 个月可上线

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Uplift Modeling - 元学习框架实现
用于吸奶器出海电商广告投放归因和促销效果评估
"""

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier, GradientBoostingRegressor
from sklearn.linear_model import LogisticRegression
import warnings
warnings.filterwarnings('ignore')


# ==================== 吸奶器业务配置 ====================

# 目标产品：吸奶器（Breast Pump）
PRODUCT_CATEGORY = "吸奶器"
TARGET_MARKETS = ["美国", "加拿大", "英国", "德国", "澳洲"]
PRODUCT_PRICE_RANGE = (80, 150)  # 客单价范围（美元）


class UpliftModel:
    """Uplift Modeling 元学习框架"""

    def __init__(self, method='xlearner'):
        """
        初始化 Uplift Model

        Args:
            method: 'tlearner', 'slearner', 或 'xlearner'
        """
        self.method = method
        self.model_treatment = None
        self.model_control = None
        self.model_uplift = None
        self.propensity_model = None
        self.is_fitted = False

    def fit(self, X, treatment, outcome):
        """
        训练 Uplift Model

        Args:
            X: 特征矩阵 (DataFrame 或 np.array)
            treatment: 干预标志 (1=干预组, 0=对照组)
            outcome: 结果变量 (0/1 二分类或连续值)
        """
        X = self._preprocess(X)
        treatment = np.array(treatment)
        outcome = np.array(outcome)

        if self.method == 'tlearner':
            self._fit_tlearner(X, treatment, outcome)
        elif self.method == 'slearner':
            self._fit_slearner(X, treatment, outcome)
        elif self.method == 'xlearner':
            self._fit_xlearner(X, treatment, outcome)

        self.is_fitted = True

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。