• Difficult Words

✅ 1. Uplift가 필요한 이유 (전환 캠페인의 본질)

• 전환 캠페인은 “더 많이 쏘면 전환↑”가 아니라, 낭비(비용)도 같이↑가 문제
• 그래서 유저를 4그룹으로 이해함
  • Sure Things: 안 쏴도 살 사람(=낭비 위험)
  • Persuadables: 쏘면 추가로 사는 사람(=우리가 찾는 타겟)
  • Lost Causes: 쏴도 안 사는 사람
  • Sleeping Dogs: 쏘면 오히려 악화(피로/반감)

💡 결론: **“전환 잘 할 사람”이 아니라 “쏘면 추가 전환이 생기는 사람”**을 찾는 모델이 uplift

✅ 2) Uplift가 예측하는 값 (ATE vs CATE)

• ATE(평균 효과): 전체 평균에서 캠페인이 얼마나 먹혔는지
• CATE(개인화 효과): 이 사람(혹은 이 특성 X를 가진 집단)에겐 얼마나 먹히는지

🎯 CRM 타겟팅은 평균보다 **개인별 증분효과(CATE)**가 핵심

✅ 3) Uplift 모델을 2단계로 나누는 이유 (Stage 1/2)

Stage 1: 편향 통제(가장 중요)

• 현실 데이터는 처치군/대조군이 애초에 다를 수 있음
• 예: “원래 마케팅 반응성이 높은 사람만 이벤트에 참여” 같은 선택편향
• 이 상태에서 uplift를 학습하면 “효과”가 아니라 “원래 성향 차이”를 학습하게 됨

Stage 2: 효과 추정