Uplift et propension : repérer les comptes qu’une action peut aider

Deux questions peuvent conduire à des files d'attente différentes

Un modèle de propension demande quels comptes sont susceptibles d'aboutir. Un modèle de traitement-effet demande dont le résultat pourrait changer en raison d'une intervention. Un compte déjà engagé dans l'achat peut avoir une forte propension et peu de réponse progressive à une autre campagne.

Définir la question à laquelle le programme doit répondre. La planification des capacités peut nécessiter une prévision des résultats. Choisir où ajouter une intervention coûteuse peut nécessiter des preuves de réponse progressive. N'étiquetez pas un modèle de conversion comme uplift parce que le terme semble plus avancé.

Ce que le papier de méthodes contribue

Künzel et ses collègues (en anglais seulement) 2019 Le papier PNAS développe des métallos pour estimer les effets de traitement moyens conditionnels. Il explique les approches qui utilisent des méthodes d'apprentissage supervisé pour estimer les effets différents selon les contextes.

La méthode ne crée pas de preuves causales de l'historique CRM arbitraire. Les hypothèses d'identification, l'attribution du traitement, le chevauchement et les observations adéquates sont toujours importantes. Notre application ABM est d'établir une comparaison crédible avant d'utiliser des fonctionnalités de compte pour estimer où une intervention est plus utile.

Consultez les méthodes et les résultats originaux dans Metalearners for estimating heterogeneous treatment effects using machine learning.

Le flux de travail pratique

1. Choisir la prédiction ou l'effet causal
2. Préciser le traitement et le niveau de référence
3. Préserver l'affectation et les caractéristiques
4. Inspecter le chevauchement et la taille du sous-groupe
5. Valider avant de répartir l'effort

Comparer les approches

Définir le traitement et le niveau de référence

Précisez exactement ce qui est ajouté : un atelier sur mesure, une séquence supplémentaire ou un jeu de contenu coordonné. Gardez le programme de base explicite. Si l'intervention combine plusieurs changements, l'expérience estime le changement combiné plutôt que la contribution séparée de chaque composante.

Préserver l'affectation au niveau du compte lorsque les contacts peuvent influencer le même comité d’achat. Inscrire l'activité d'un autre vendeur et l'échéance du compte. Utiliser les fonctionnalités disponibles avant le traitement. Une étape d'opportunité mise à jour après l'intervention ne devrait pas devenir une entrée prétendant prédire l'effet initial.

Lisez attentivement un sous-groupe illustratif

Supposons qu'un pilote randomisé fictif suggère une différence de taux de rencontre plus grande entre les comptes avec une expansion publique récente. Avant de traiter cela comme une règle de ciblage, inspecter la taille du sous-groupe, si l'analyse était planifiée et si le modèle se répète dans des données fraîches.

Un petit sous-groupe avec un grand lifting apparent peut résulter du hasard. Un récit d'affaires expliquant le résultat ne supprime pas cette incertitude. Conservez la constatation comme hypothèse jusqu'à ce que l'évaluation appuie son utilisation. Ne faites pas de recherches répétées avant d'avoir l'air impressionnant et ne rapportez que ce segment.

Préserver la preuve contrefaite

La recherche Ghost-ad illustre comment la conception attentive de l'exposition et du contrôle peut améliorer l'évaluation de la publicité. Il s'agit d'une méthode spécifique à la plateforme, mais la leçon générale pour ABM est de préserver l'affectation et l'admissibilité avant d'interpréter la mission.

Si la seule preuve est que les comptes engagés convertis plus souvent, le résultat peut décrire la sélection plutôt que l'effet différentiel. Un modèle d'élévation basé sur cette histoire peut apprendre qui était déjà actif. Vérifier la conception causale auprès d'un analyste qualifié avant d'utiliser le modèle pour allouer des efforts substantiels au programme.

Consultez les méthodes et les résultats originaux dans Ghost Ads: Improving the Economics of Measuring Online Ad Effectiveness.

Choisir une évaluation plus simple au besoin

Pour un univers de compte de petite entreprise, une expérience claire et un rapport de sous-groupe interprétable peuvent être plus utiles qu'un modèle complexe de traitement-effet. Commencez par la décision que l'échantillon peut soutenir. Gardez l'apprentissage opérationnel distinct des estimations commerciales incertaines.

Utiliser la propension à un objectif de prévision ou de priorisation. Utiliser l'analyse des effets du traitement lorsqu'une comparaison défendable et des données suffisantes appuient la question. Examiner le coût par résultat accepté différentiel avant d'étendre une intervention coûteuse.

Pour approfondir la prochaine étape de cette décision, lisez Groupes témoins publicitaires et ABM : préserver la comparaison.

Votre prochaine liste de contrôle

• Propension: Étiquetez l'événement prévu. Vérifier la limitation : ne pas estimer l'effet de contact.
• Effet thérapeutique moyen: Commencez par une comparaison crédible. Vérifiez la limitation: peut cacher la variation utile.
• Effet conditionnel: Valider dans de nouveaux comptes. Vérifier la limitation : nécessite plus de données et d'hypothèses.
• Corrélation d'engagement : Éviter la formulation causale. Vérifiez la limitation : la sélection peut l'expliquer.

Utilisez la comparaison pour choisir une étape suivante délimitée. Consigner la preuve, le propriétaire responsable et la décision de révision avant d'étendre le jeu à des comptes supplémentaires.

Les questions auxquelles ce guide répond