О курсе
Uplift-моделирование нужно там, где бизнесу важно не просто предсказать действие клиента, а понять, изменит ли воздействие его поведение. В CRM, маркетинге и продуктовых коммуникациях обычная response-модель часто выбирает тех, кто и так купил бы продукт. В результате компания тратит бюджет на sure things, усиливает каннибализацию и может вредить клиентскому опыту. Uplift-подход решает другой вопрос: кому действительно стоит отправить push, email, звонок или оффер, а кого лучше не трогать.
В этом курсе вы разберёте uplift как полноценную production-систему: от бизнес-постановки и causal-логики до выбора аудитории, profit curve, holdout, мониторинга и защиты решения. Мы будем идти не от абстрактных формул, а от сквозного банковского кейса: банк хочет отправлять push с предложением открыть вклад и должен понять, у каких клиентов коммуникация создаёт инкрементальный эффект, а где только съедает маржу или вызывает усталость.
Курс рассчитан на ML Engineer, Data Scientist и аналитиков, которые уже понимают базовый supervised ML и хотят уверенно работать с задачами воздействия: treatment/control, potential outcomes, CATE, Qini, AUUC, uplift@K, policy value, incremental profit. Отдельный акцент сделан на том, что ожидают на рабочем ревью и собеседованиях: как объяснить отличие response от uplift, как не сломать causal-дизайн, как доказать честность control, как сравнить S-Learner, T-Learner, X/R/DR-Learner и как выбрать решение не по красивой метрике, а по бизнес-эффекту.
Внутри курса вы пройдёте полный пайплайн: постановка uplift-задачи, экспериментальный дизайн, target и временные окна, leakage, feature engineering, baselines, основные learners, выбор top-K/threshold, production pipeline, CRM export, holdout, feedback loop, мониторинг data/score/causal/business-слоёв и финальный design document. В финальном модуле вы соберёте production-case целиком и подготовите защиту решения перед бизнесом, аналитиками, ML-командой и hiring manager’ом.
После курса у вас останется не набор терминов, а рабочий шаблон мышления: как превратить uplift-модель в безопасную decision system, которая выбирает аудиторию, считает инкрементальную прибыль, сохраняет честные данные для обучения и не разваливается после первого production-запуска.