可负担的增益提升:受控实验中的监督随机化
机器学习
2019-10-02 v1 应用统计
机器学习
摘要
客户评分模型是可扩展直复营销的核心。增益(uplift)模型提供用于运营决策的干预增量收益估计。增益模型的训练与监测需要实验数据。然而,在随机干预分配下收集数据的成本很高,因为随机定向偏离了既有的定向策略。为提高实验的成本效率并促进频繁的数据收集与模型训练,我们引入了监督随机化。这是一种新方法,将现有评分模型整合进随机试验以定向相关客户,同时通过针对主动样本选择进行校正来确保干预效应估计的一致性。一项经验性蒙特卡洛研究表明,在监督随机化下的数据收集具有成本效率,且下游增益模型表现具竞争力。
引用
@article{arxiv.1910.00393,
title = {Affordable Uplift: Supervised Randomization in Controlled Experiments},
author = {Johannes Haupt and Daniel Jacob and Robin M. Gubela and Stefan Lessmann},
journal= {arXiv preprint arXiv:1910.00393},
year = {2019}
}