Startseite
Podcasts
Data Science Deep Dive Podcast
#77: Uplift Modeling: Der kausale Effekt von Rabatten, Retargeting & Co.

#77: Uplift Modeling: Der kausale Effekt von Rabatten, Retargeting & Co.

Data Science Deep Dive vor 1 Jahr

0:00

33:51

Uplift Modeling hilft dabei, den tatsächlichen Effekt von
Maßnahmen wie Rabatten oder Gratisprodukten auf das Verhalten
einzelner Kund*innen vorherzusagen, also: Wer hätte ohnehin
gekauft und wen überzeugen wir wirklich? Statt bloßer Vorhersage
steht die Frage im Mittelpunkt, wie wir Verhalten gezielt
verändern können. Wir sprechen über Methoden, notwendige Daten,
Herausforderungen bei der Modellierung und warum Kausalität hier
entscheidend ist. Außerdem sprechen wir darüber warum ein
A/B-Test trotz komplexer Modelle unverzichtbar bleibt. Und was du
auch ohne vollständiges Uplift-Modell bereits tun kannst.

**Zusammenfassung**

Uplift Modeling zielt darauf ab, den kausalen Effekt eines
Treatments (z. B. Gutschein) vorherzusagen

Wichtige Frage: Wie viel wahrscheinlicher ist ein bestimmtes
Verhalten durch die Maßnahme?

Zielgröße und Features müssen sorgfältig gewählt werden, um
sinnvolle Modelle zu bauen

Es braucht Daten mit Variation im Treatment (z. B.
unterschiedliche Gutscheinzeiträume)

Kausalität ist essenziell, sonst liefert das Modell verzerrte
Effekte

A/B-Tests sind nötig, um den tatsächlichen Mehrwert des
Modells zu überprüfen

Baseline-Modelle und deskriptive Analysen sind wertvolle
Vorstufen mit eigenem Nutzen

Herausforderung: Modellanpassung bei Änderungen der
Treatment-Strategie und Exploration/Exploitation-Balance

**Links**

[Podcast] #26: A/B-Testing: Erkenntnisse statt Bauchgefühl
https://www.podbean.com/ew/pb-6fzpj-143cfb1

Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de