受约束提升定向：营销策略的因果优化工具书
机器学习
2026-02-05 v2 统计方法学
摘要
本文引入一种营销决策框架，通过整合异构处理效应估计与显式业务约束来优化客户定向。目标是最大化收入与保留率，同时遵守预算、收入保护和客户体验等约束。该框架首先使用提升学习器估计条件平均处理效应 (CATE)，然后求解受约束的分配问题，以决定针对何人以及部署何种优惠。它支持保留信息、活动奖励和支出阈值分配等决策。通过离线仿真和在线 A/B 测试验证，该方法持续优于倾向得分和静态基线，为大规模因果定向提供了可复用的工具书。
引用
@article{arxiv.2512.19805,
title = {Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy},
author = {Deepit Sapru},
journal= {arXiv preprint arXiv:2512.19805},
year = {2026}
}