最近在做 uplift modeling 的调研和落地工作，写篇文章浅浅记录一下。

很多业务问题表面上看是在做预测，真正要解决的却是干预决策。

比如发优惠券、投广告、调整流量分发，真正的问题通常不是 “谁最可能转化”，而是：

对谁做干预，才能带来最大的净增量？

这两类问题的差异，决定了建模方式也完全不同。

传统预测模型擅长回答 “这个用户会不会买”、“这个用户会不会留存”；但它很难回答 “如果我发券，他会不会因此多买”“如果我减少直播曝光，他的长期价值会不会提升”。前者是相关性问题，后者是因果性问题。

Uplift Modeling 的价值，就在于把优化目标从结果预测，转向对干预增量的估计。相比 “找高概率用户”，它更关注 “找高增量用户”

本文尝试介绍 uplift 的原理和一个实际落地的应用场景，内容如下

1. 为什么传统预测模型不适合直接指导干预策略
2. Uplift Modeling 背后的因果推断直觉与常见建模方法
3. AUUC、Qini 等离线评估指标应该怎么理解
4. 在通用业务策略优化场景里，如何从实验设计一路走到线上策略落地
5. 多 Treatment 与连续 Treatment 等扩展场景的建模思路

问题定义：预测与增量

相关性不等于因果

“相关性不等于因果” 在数据分析里几乎是一句常识，但落到具体业务里，往往最容易被忽略。

看几个经典例子。

例子一：冰淇淋与溺水事故

数据上看，冰淇淋销量和溺水事故数量往往高度正相关。但显然，禁止卖冰淇淋并不能减少溺水。真正的共同原因是气温：天气热时，人们更愿意吃冰淇淋，也更愿意去游泳。

例子二：教育年限与收入水平

教育年限更长的人通常收入也更高，但这并不自动意味着 “多读几年书” 一定会让整体收入同比例上升。因为 “能力”“家庭背景” 等因素，可能同时影响教育选择和收入结果。

例子三：收到优惠券的用户消费更高

这类结论在营销场景中极常见。但问题是，优惠券可能本来就是定向发给高价值用户的。于是 “收到券” 和 “高消费” 之间的关系，未必是优惠券造成的，而可能只是投放策略筛出来的相关性。

这几个例子背后，其实是同一个问题：

业务需要的是 “干预带来了什么变化”，而不是 “干预和结果看起来一起出现了”。

传统预测为何不够

传统机器学习模型通常以预测结果 \(Y\) 为目标：

\[ \hat{Y} = f(X) \]

它擅长做的是：给定用户特征 \(X\)，预测用户最终会不会发生某个行为。

这在很多任务上是有效的，但一旦问题变成 “要不要对用户施加干预”，就会暴露出三个根本局限。

高概率用户不等于高增量用户

假设我们要优化 “发券后购买” 的结果。传统模型通常会找出购买概率最高的人群，但这些人未必值得发券。

传统模型只能识别 “谁更可能买”，却无法区分这些人究竟是铁粉、可说服用户，还是反感用户。

而真正值得投放资源的，往往只有第二类：因为干预才发生正向变化的人。

无法分辨因果方向

在广告场景中，如果观察到 “看过广告的用户转化率更高”，这并不能说明广告提升了转化。也可能是本来就更容易转化的人，更容易被投到广告，或者更容易被系统分配到广告曝光机会。

看不到反事实

做决策时，我们真正关心的是：

• 干预后会怎样
• 不干预会怎样
• 两者差多少

但传统预测模型通常只能看到一个已经发生的世界，而看不到 “如果当时不做这件事，会发生什么”。

而因果估计最关键的，恰恰就是这个反事实。

Uplift 在回答什么

Uplift Modeling 关注的不是结果本身，而是干预带来的净变化。

对单个用户 \(i\) 来说，我们希望估计：

\[ \tau_i = Y_i(1) - Y_i(0) \]

其中：

• \(Y_i(1)\) 表示该用户接受干预时的结果
• \(Y_i(0)\) 表示该用户不接受干预时的结果
• \(\tau_i\) 表示干预对该用户造成的增量

于是，传统预测和 Uplift Modeling 的差别就很清晰了：

在营销、广告、召回、风控、医疗等场景里，这种差别往往会直接决定 ROI。

理论基础：因果视角

潜在结果

从理论上看，Uplift 建模最常用的基础是因果推断里的潜在结果框架（Potential Outcomes Framework）。

对任意用户 \(i\)，理论上都存在两个潜在结果：

1. \(Y_i(1)\)：接受干预后的结果
2. \(Y_i(0)\)：不接受干预时的结果

个体处理效应（ITE）定义为：

\[ \tau_i = Y_i(1) - Y_i(0) \]

但这里有一个经典困难：

对同一个用户，我们永远不可能同时观察到 “既干预又不干预” 两种状态。

这就是因果推断里的 Fundamental Problem of Causal Inference。

因此在实际中，我们通常不直接估计单个用户的真实 ITE，而是估计条件平均处理效应（CATE）：

\[ \tau(x) = E[Y(1) - Y(0) \mid X = x] \]

也就是：在特征相似的人群里，干预平均会带来多大变化。

这正是大多数 Uplift 模型真正想学到的东西。

四类用户

从业务视角看，Uplift 最大的价值之一，是帮助我们把用户从 “按结果分层” 切换成 “按干预响应分层”。

常见的四象限划分如下：

这里最值得关注的，是 Persuadables；最需要规避的，是 Sleeping Dogs。

很多业务策略表面上 “模型分高、投放更积极”，但如果高分用户里大量是 Sure Things，资源就会被浪费；如果误伤了 Sleeping Dogs，策略甚至会出现负收益。

三个假设

要让 uplift 估计具备可信度，通常至少依赖以下三个假设。

无混淆性

\[ (Y(1), Y(0)) \perp T \mid X \]

也就是说，在给定特征 \(X\) 的前提下，干预分配 \(T\) 与潜在结果独立。

直观理解就是：影响 “是否被干预” 和 “最终结果” 的关键变量，最好都已经被观测到。

在真实业务里，这个条件往往很强，因此很多项目会优先依赖随机实验来提升可识别性。

重叠性

\[ 0 < P(T=1 \mid X=x) < 1 \]

即对任意一类用户，都应该有机会进入实验组或对照组。否则某些区域没有足够对照信息，模型就无法可靠学习。

SUTVA

一个用户的潜在结果，只受自己的干预状态影响，而不受其他用户干预状态影响。

这意味着不存在明显的外溢效应。实际业务中，如果用户之间有强社交传播、资源竞争或系统级联动，这个假设可能会被破坏。

这三个假设里，最难满足的通常是无混淆性。所以如果业务允许，优先做随机对照实验（RCT），几乎总是更稳妥的起点。

方法综述：Uplift 建模

Uplift Modeling 并没有唯一标准答案。工程上更常见的是两类方法：

• Meta-Learners：把因果效应估计拆成几个监督学习子问题
• Direct Uplift Models：直接围绕 treatment effect 设计模型或分裂准则

本文重点介绍更常见的几类方法。

S-Learner

S-Learner 的思路最直接：把干预变量 \(T\) 当成一个普通特征，和其他用户特征一起喂给模型。

\[ \mu(x, t) = E[Y \mid X=x, T=t] \]

训练完成后，对同一个用户分别输入 \(t=1\) 和 \(t=0\)，两次预测的差值就是 uplift 估计：

\[ \hat{\tau}(x) = \hat{\mu}(x, 1) - \hat{\mu}(x, 0) \]

优点：

• 实现简单
• 所有样本都用于训练一个模型
• 适合作为 baseline 快速验证

缺点：

• 如果 treatment 信号弱，模型容易忽略 \(T\)
• 在强正则下容易出现 regularization bias

如果只是想快速判断 uplift 方法在业务里有没有潜力，S-Learner 往往是很实用的起点；但如果真要追求更高质量的 CATE 估计，它通常不是终点。

T-Learner

T-Learner 的想法是把实验组和对照组彻底分开，分别训练两个模型：

\[ \mu_1(x) = E[Y \mid X=x, T=1] \]

\[ \mu_0(x) = E[Y \mid X=x, T=0] \]

两者差值就是 uplift：

\[ \hat{\tau}(x) = \hat{\mu}_1(x) - \hat{\mu}_0(x) \]

优点：

• 可以独立拟合干预组和对照组的不同模式
• 不容易像 S-Learner 一样把 treatment 信号 “抹平”

缺点：

• 每个模型只用到部分样本，样本利用率较低
• 样本不平衡时效果容易变差
• 两个模型误差会相互叠加

X-Learner

X-Learner 可以理解为在 T-Learner 的基础上，进一步提高样本利用效率，尤其适合 treatment / control 样本不平衡的场景。

它的核心步骤可以概括为三阶段：

训练两个响应模型

\[ \hat{\mu}_1(x) = E[Y \mid X=x, T=1] \]

\[ \hat{\mu}_0(x) = E[Y \mid X=x, T=0] \]

构造伪因果效应

对实验组样本：

\[ D_i^1 = Y_i^1 - \hat{\mu}_0(X_i) \]

对对照组样本：

\[ D_i^0 = \hat{\mu}_1(X_i) - Y_i^0 \]

再分别训练两个 effect model：

\[ \hat{\tau}_1(x) = E[D^1 \mid X=x] \]

\[ \hat{\tau}_0(x) = E[D^0 \mid X=x] \]

按倾向性得分加权组合

\[ \hat{\tau}(x) = g(x) \cdot \hat{\tau}_0(x) + (1-g(x)) \cdot \hat{\tau}_1(x) \]

其中 \(g(x)\) 通常取倾向性得分 \(P(T=1 \mid X=x)\)。

优点：

• 对样本不平衡更鲁棒
• 往往比 S-Learner、T-Learner 有更好的 CATE 精度
• 对业务中的非对称实验设计更友好

缺点：

• 实现与调参复杂度更高
• 训练链路更长，诊断难度更大

Uplift Tree

Uplift Tree 是决策树在 uplift 场景下的改造版。它不再围绕 “分类纯度” 或 “回归误差” 来分裂节点，而是围绕 “实验组与对照组之间的差异” 来做分裂。

常见分裂准则包括：

KL 散度：

\[ D_{KL}(P^T || P^C) = \sum_y P^T(y) \log \frac{P^T(y)}{P^C(y)} \]

欧式距离：

\[ D_E = \sum_y (P^T(y) - P^C(y))^2 \]

卡方距离：

\[ D_{\chi^2} = \sum_y \frac{(P^T(y) - P^C(y))^2}{P^C(y)} \]

它的好处在于解释性往往比较强，适合用来做规则洞察和人群切分；但稳定性、泛化能力通常仍需结合 ensemble 方法增强。

Causal Forest

Causal Forest 可以理解为 Causal Tree 的集成版本，也是很多真实业务里比较常用的一类方法。

它的核心思想不是简单地 “给用户打分”，而是：

对于目标用户 \(x\)，自动找到一批和他在 treatment effect 上更相似的邻域样本，再在这个局部邻域里估计 CATE。

每棵树的分裂目标，是尽量让左右子节点在因果效应上更不一样：

\[ \max_{j,s} \left( \hat{\tau}^{left}(j,s) - \hat{\tau}^{right}(j,s) \right)^2 \]

Honest 估计

Causal Forest 的一个重要特点，是常采用 honest estimation：

• 一部分样本用于决定如何分裂树
• 另一部分样本用于估计叶子节点里的因果效应

这么做的好处是统计性质更好，也更容易给出置信区间。

在适当条件下，Causal Forest 还可以具备渐近正态性，从而支持统计推断：

\[ \frac{\hat{\tau}(x) - \tau(x)}{\sqrt{\hat{V}(x)}} \xrightarrow{d} N(0, 1) \]

它适合什么场景

Causal Forest 通常在以下场景比较有吸引力：

• 预期存在明显异质性 treatment effect
• 特征很多、非线性和交互关系强
• 希望不仅 “能打分”，还希望对估计结果有一定统计解释

当然，它的代价也很明确：训练更重、推理更复杂、调参与诊断成本也更高。

方法选择

如果把几类方法放在一起对比，大致可以这样理解：

工程里没有银弹。很多时候，最好的方式不是一开始就追求最复杂模型，而是：

1. 用简单 baseline 快速验证 uplift 是否真的存在
2. 再逐步切到更强的 effect learner
3. 最后把重心放在策略使用方式，而不是只盯着离线分数

评估方法：离线到在线

Uplift 的评估方式和普通分类 / 回归明显不同。

原因很简单：真实的个体因果效应不可观测。我们看不到同一个用户在 “干预” 和 “未干预” 两个世界里分别会发生什么。

所以，uplift 模型的评估重点通常不是 “单点预测准不准”，而是 “排序是否有效”。

AUUC

AUUC（Area Under the Uplift Curve）是最常见的 uplift 离线评估指标之一。

基本做法是：

1. 按模型预测的 uplift 分数从高到低排序
2. 从前往后逐步取人群
3. 观察随着覆盖人群增加，累计 uplift 的变化曲线

对前 \(k\) 个用户，累计增量可写成：

\[ \hat{\tau}_k = \frac{\sum_{i=1}^{k} Y_i^T}{N_k^T} - \frac{\sum_{i=1}^{k} Y_i^C}{N_k^C} \]

其中：

• \(N_k^T\) 是前 \(k\) 个样本中的实验组样本数
• \(N_k^C\) 是前 \(k\) 个样本中的对照组样本数

AUUC 就是整条 uplift curve 下的面积：

\[ AUUC = \frac{1}{N} \sum_{k=1}^{N} \hat{\tau}_k \]

直观上，AUUC 越大，说明模型越能把 “真正高 uplift 的人” 排在前面。

Qini

Qini 可以看作 AUUC 的一个改进版本，尤其在实验组和对照组样本量不平衡时更常用。

Qini Curve 的一种写法为：

\[ Q_k = N_k^T \cdot \bar{Y}_k^T - N_k^C \cdot \bar{Y}_k^C \cdot \frac{N_k^T}{N_k^C} \]

Qini 系数就是对应曲线下的面积。

简单理解：

• AUUC 更直观
• Qini 对样本不均衡更稳健
• 真实业务里，Qini 往往更适合作为主指标之一

离线与线上

离线评估解决的是 “模型是否学到了可用的排序能力”，但最终仍要回到线上策略效果。

因此，一个完整的评估闭环通常是：

• 离线：看 AUUC、Qini、分桶 uplift、一致性和稳定性
• 在线：看干预后主指标提升、成本消耗、ROI、负向副作用

离线分数高，只能说明模型可能值得上线；真正决定策略是否成立的，还是线上 A / B Test。

工程落地：从实验到策略

前面的内容主要讨论理论与方法。接下来把视角从模型本身拉回到更通用的策略优化框架。

无论是电商发券、广告激励、直播调控，还是推荐系统里的流量分发，本质上都在回答同一个问题：

对这个用户施加某种干预，到底值不值得？

这类问题都可以抽象成一个统一的 gain-cost 权衡框架：

• Gain：干预后希望提升的核心业务价值
• Cost：干预带来的资源消耗、副作用或局部业务损失

方法本身并不依赖某个垂直场景，真正变化的只是不同业务下 gain 指标和 cost 指标的定义。

如果只盯着单一 gain，很容易把策略做偏；只有把 gain 和 cost 同时纳入建模与决策，策略才真正有上线意义。

整体链路

一个完整的 uplift 策略链路，通常可以抽象为：

1. 通过随机实验构造 treatment / control 数据
2. 训练 uplift 模型，估计用户的增量收益与增量成本
3. 在预算或约束条件下，把模型分转换成可执行决策
4. 在线持续监控并动态更新策略

也就是说，模型只是中间一环；实验设计、策略求解、线上反馈，同样重要。

数据构造

RCT / Switchback 实验设计

实验形式并不唯一，常见的设计包括：

• 用户级随机实验：适合电商发券、广告激励等用户独立干预场景
• Switchback Experiment：适合供给、流量、时段级干预场景
• 分桶灰度实验：适合线上策略逐步放量验证

共同目标只有一个：让 treatment assignment 尽量随机，从而降低选择偏差，提升 uplift 估计的可信度。

做这类实验时，至少有三点要特别关注：

1. 随机化是否真的均匀覆盖关键人群
2. 实验期间是否有外部流量策略或业务活动干扰
3. 样本量是否足够支撑异质性效应学习

很多 uplift 项目不是死在模型，而是死在实验设计不够干净。

特征工程

在一个通用的 uplift 项目里，特征通常会覆盖用户、行为和上下文等多类信息，例如：

这里有一个很重要的实践经验：

Uplift 特征工程的重点，不只是提升 response prediction，而是尽量暴露 “谁对干预更敏感” 的异质性。

因此，能体现趋势、状态切换、消费结构差异的特征，往往比静态画像更重要。

Label 设计

在这个通用框架下，通常仍建议把 label 拆成两类。

Gain Label

表示 “施加干预后，业务核心目标获得的增量收益”。

例如：

• 电商：7 日下单率、GMV、复购、长期价值
• 广告：点击率、转化率、广告收入、广告主 ROI
• 内容 / 直播：留存、有效会话、消费时长、长期活跃价值

Cost Label

表示 “施加干预后，需要付出的资源消耗或副作用”。

例如：

• 电商：优惠券成本、补贴消耗、毛利损失
• 广告：流量占用、补贴成本、用户体验下降
• 内容 / 直播：某子业务收入下降、供给生态波动、时长迁移损失

这一点很关键：

很多策略只预测 gain，不预测 cost，最后上线时容易出现 “主指标提升了，但业务副作用太大” 的问题。把 gain 和 cost 拆开建模，本质上是在为后续约束优化做准备。

模型选择

如果要在多类业务场景里选择一个相对稳妥的异质性效应学习器，Causal Forest 往往是一个不错的起点，主要基于三点考虑：

1. 可以较好地捕捉非线性与交互效应
2. 对异质性 treatment effect 的表达能力更强
3. 在类似业务场景中已有验证，工程上更有把握

如果从 “方法论最先进” 角度看，未必只有这一种选择；但从 “业务可落地、可解释、可复用” 看，Causal Forest 是一个相对稳妥的折中方案。

Label 归一化

最初尝试中，常见做法是直接使用原始 label，并通过人工权重去对齐不同指标的量纲：

\[ score_{raw} = w_1 y_1 + w_2 y_2 + w_3 y_3 \]

但这种方式有几个明显问题：

• 超参数很难调
• 极端值影响大
• 一旦分布漂移，稳定性差

后来改成了更实用的百分位归一化方案：

\[ y_{norm} = \text{percentile\_rank}(y) \]

也就是用样本在训练集中的相对位置，替代原始值本身。

这么做的优点很明显：

1. 范围固定在 [0, 1]，便于模型学习
2. 对极端值更鲁棒
3. 更贴近后续排序型决策的使用方式

这也是一个很典型的工程取舍：

真实业务中，很多时候不需要模型把绝对收益估得极准，而是更需要它把相对优先级排对。

特征处理

为了让模型更好地捕捉状态变化，通常会构造一批趋势类特征，例如：

• 差值特征：\(\Delta = \bar{x}_{30d} - \bar{x}_{7d}\)
• 比值特征：\(R = \bar{x}_{7d} / \bar{x}_{30d}\)
• 变化率：\(r = (\bar{x}_{7d} - \bar{x}_{30d}) / \bar{x}_{30d}\)

对于重尾分布或异常值，也会做一系列稳健化处理：

• P99 截断：\(x' = \min(x, P_{99}(x))\)
• 分桶离散化
• Log 平滑：\(x' = \log(1 + x)\)

这些步骤看起来普通，但对 uplift 任务尤其重要。因为 uplift 模型本来就在学习一个更弱、更稀疏的信号，输入特征如果噪声太大，模型很容易学不稳。

模型评估

离线评估时，更值得关注的是训练集与测试集上的 AUUC、Qini 是否一致，以及不同分桶上的 uplift 排序是否稳定。

这里有两个经常出现、但容易被误读的现象：

稀疏 cost label 的 AUUC 绝对值可能很小

如果某个 cost 指标本身零值很多、分布非常稀疏，那么即使模型把排序做对了，AUUC 的绝对值也未必会特别大。这并不一定意味着模型无效，更可能只是标签本身的信息密度较低。

某些 cost 相关指标的 AUUC 可能为负

这通常出现在 “抑制型干预” 里，比如减少某类曝光、压缩某类补贴、降低某类流量占比。此时 treatment 的目标，本来就是牺牲局部指标去换取整体收益，所以 cost 维度出现负向 uplift，往往反而说明方向符合预期。

因此，评估 uplift 模型时，不应该孤立地看某一个 gain 或 cost 指标，而应该结合策略目标去理解其方向性和 trade-off。

策略优化：从评分到决策

很多团队在拿到 uplift score 之后就停下来了，但真正的业务价值往往出现在 “如何使用这个分”。

真正有业务价值的，不是简单给用户打一列 uplift 分，而是要在 Gain 与 Cost 之间做最优选择。

约束优化

设有 \(n\) 个用户，对用户 \(i\) 干预后：

• 业务收益预估值为 \(\text{gain}_i\)
• 业务损失预估值为 \(\text{cost}_i\)

定义决策变量：

\[ x_i \in \{0, 1\} \]

其中 \(x_i = 1\) 表示对用户施加干预。

如果预算或业务损失约束为 \(C\)，优化目标可写成：

\[ \begin{aligned} \max_{x_i} \quad & \sum_{i=1}^{n} x_i \cdot \text{gain}_i \\ \text{s.t.} \quad & \sum_{i=1}^{n} x_i \cdot \text{cost}_i \le C \\ & x_i \in \{0, 1\} \end{aligned} \]

这其实就是 “在有限成本下，选出最值得干预的人”。

ROI 视角

构造拉格朗日函数：

\[ L(x, \lambda) = \sum_{i=1}^n x_i (\text{gain}_i - \lambda \cdot \text{cost}_i) + \lambda C \]

由最优性条件可知：

• 当 \(\frac{\text{gain}_i}{\text{cost}_i} > \lambda\) 时，倾向于干预
• 当 \(\frac{\text{gain}_i}{\text{cost}_i} < \lambda\) 时，倾向于不干预

这里的 \(\lambda\) 可以理解为成本的影子价格。

这个结论很重要，因为它说明：

在给定成本约束下，按单位成本收益（ROI）排序，本身是有优化基础的。

贪心策略

虽然拉格朗日形式很优雅，但实际线上实现时，通常会落到更简单的贪心策略：

1. 计算每个用户的 \(ROI_i = \frac{\text{gain}_i}{\text{cost}_i}\)
2. 按 ROI 从高到低排序
3. 从前往后累计，直到达到预算或成本上限

这么做的原因并不只是 “实现方便”，更重要的是它对工程噪声更稳。

因为在很多业务里：

• gain 与 cost 的绝对值未必准
• 但排序往往比绝对值更稳定

尤其当前面已经做了百分位归一化后，贪心排序往往比强行求一个精确阈值更靠谱。

平滑 Treatment

如果直接采用硬截断策略，比如 “ROI 大于阈值就全部干预，否则全部不干预”，会有两个常见问题：

1. 探索空间不足，容易形成反馈闭环
2. 预算利用可能不充分

举个简单例子。假设预算 \(C = 2.5\)，有两个用户：

• 用户 A：\(gain=10, cost=2, ROI=5\)
• 用户 B：\(gain=8, cost=2, ROI=4\)

如果硬截断，只选 A，总 gain 是 10。

如果采用平滑干预强度，例如：

• A 干预 75%
• B 干预 50%

则总 gain 变成：

\[ 10 \times 0.75 + 8 \times 0.5 = 11.5 \]

也就是说，在资源可以按概率或强度分配的场景里，“部分干预” 可能优于 “非黑即白”。

文中的一个平滑映射形式为：

\[ p(x) = \frac{2}{1+e^{\alpha x}} - 1 \]

其中 \(x\) 表示预估 ROI，\(\alpha\) 是控制曲线陡峭程度的超参数。

从优化视角看，这本质上是在用一个连续函数，去近似 “边际收益递减” 下的最优分配过程。

它的业务价值主要有三点：

• 保留探索，减轻反馈闭环
• 预算利用更充分
• 不同用户可以分配不同干预强度，运营动作更精细

动态更新

策略上线后，数据分布很可能发生变化。

常见问题包括：

Uplift ROI 分布漂移

解决思路是对分数再做归一化，把它映射到稳定区间 [a, b]，从而让阈值与分位更可控。

业务指标长期右移或左移

比如客单价、转化价值、时长、广告出价等指标随着业务阶段变化持续右移或左移，这时模型分可能没问题，但决策阈值和预算映射会逐渐失真。

所以，uplift 策略上线之后，不能只看模型是否更新，还要持续看：

• 分数分布是否漂移
• 人群覆盖率是否异常
• gain / cost 比例是否变化
• 策略副作用是否扩大

扩展场景：多 Treatment 与连续 Treatment

前面讨论的内容主要围绕单一、二值的 treatment 展开。但实际业务中，经常会遇到更复杂的场景：

• 多 Treatment：存在多种干预方式可选（如不同面额的优惠券、不同的广告创意）
• 连续 Treatment：干预存在强度或剂量差异（如折扣力度、补贴金额、曝光频次）

这两类场景在建模思路和工程实现上都有明显差异，值得单独展开。

多 Treatment 场景

当存在多种干预选择时，问题从” 要不要干预” 变成了” 用哪种方式干预”。

问题定义

假设存在 \(K\) 种 treatment，对用户 \(i\)，每种 treatment 对应一个潜在结果 \(Y_i(t)\)，其中 \(t \in \{0, 1, ..., K\}\)，\(t=0\) 表示不干预。

目标是找到最优 treatment：

\[t^*(i) = \arg\max_{t \in \{0,1,...,K\}} \tau_i(t) = \arg\max_{t} \left( Y_i(t) - Y_i(0) \right)\]

常见方法

One-vs-All (OVA)

把多 treatment 问题拆成 \(K\) 个二分类 uplift 问题，每个问题估计” 使用 treatment \(k\) vs 不干预” 的增量：

\[\tau_k(x) = E[Y(k) - Y(0) \mid X=x]\]

然后选择增量最大的 treatment：

\[t^*(x) = \arg\max_k \hat{\tau}_k(x)\]

优点是可以直接复用已有的二分类 uplift 模型；缺点是忽略了 treatment 之间的关系，且需要训练 \(K\) 个模型。

Multivalued Treatment Model

把 treatment 当成多值变量，训练一个统一模型：

\[\mu(x, t) = E[Y \mid X=x, T=t]\]

预测时，对每个用户枚举所有 \(t\)，选择预测增益最大的：

\[t^*(x) = \arg\max_t \left( \hat{\mu}(x, t) - \hat{\mu}(x, 0) \right)\]

这种方式的好处是模型可以学习 treatment 间的共享模式，但需要足够多的样本覆盖每种 treatment。

Pairwise Comparison

对每对 treatment \((j, k)\)，估计相对优势：

\[\tau_{jk}(x) = E[Y(j) - Y(k) \mid X=x]\]

然后综合所有 pairwise 结果做排序或选择。这种方法在 treatment 数量较少、对精度要求高时比较适用。

预算约束下的选择

更接近实际业务的问题是：在预算约束下，同时决定” 给谁干预” 和” 用哪种 treatment”。

优化问题变成：

\[ \begin{aligned} \max \quad & \sum_{i=1}^n \sum_{t=1}^K x_{it} \cdot \text{gain}_i(t) \\ \text{s.t.} \quad & \sum_{i=1}^n \sum_{t=1}^K x_{it} \cdot \text{cost}_i(t) \le C \\ & \sum_{t=0}^K x_{it} = 1, \quad \forall i \\ & x_{it} \in \{0, 1\} \end{aligned} \]

其中 \(x_{it}=1\) 表示对用户 \(i\) 施加 treatment \(t\)。

这是一个整数规划问题，实际中常用贪心策略： 1. 对每个用户计算每个 treatment 的 ROI 2. 选择该用户 ROI 最高的 treatment 3. 按全局 ROI 排序，在预算约束下依次分配

连续 Treatment 场景

当 treatment 不是” 做不做”，而是” 做多少” 时（如折扣力度、广告出价、补贴金额），需要估计剂量 - 响应曲线（Dose-Response Curve）。

问题定义

Treatment \(t\) 是连续变量，目标是估计：

\[\mu(t, x) = E[Y(t) \mid X=x]\]

以及在不同剂量下的边际效应：

\[\tau(t, x) = \frac{\partial}{\partial t} E[Y(t) \mid X=x]\]

边际效应反映了” 剂量每增加一个单位，收益变化多少”。

常见方法

Dose-Response Network (DRNet)

把 treatment 离散化成多个区间，每个区间训练一个响应模型，然后拼接成连续曲线：

\[\mu(t, x) = \sum_{m=1}^M I(t \in [t_m, t_{m+1}]) \cdot \mu_m(x, t)\]

每个子网络 \(\mu_m\) 学习局部剂量区间的响应。这种方式可以捕捉非线性的剂量 - 响应关系，但离散化粒度需要权衡，区间边界处可能出现跳跃。

Modified Meta-Learners

把 Meta-Learner 扩展到连续场景，直接建模 \((X, t) \to Y\) 的映射：

\[\mu(t, x) = f(X, t)\]

预测时，对连续 \(t\) 做数值积分或梯度搜索找最优剂量。实现上通常用神经网络或树模型作为基础学习器。

Propensity Weighting

在观察数据中，treatment 的分配往往有偏。可以用倾向性得分 \(P(T=t \mid X=x)\) 做加权估计：

\[\hat{\mu}(t, x) = \frac{\sum_i K(t, t_i) \cdot w_i \cdot Y_i}{\sum_i K(t, t_i) \cdot w_i}\]

其中 \(K\) 是核函数，\(w_i\) 是基于倾向性得分的逆概率权重。这种方式在观察数据场景下比较实用。

最优剂量选择

给定用户特征 \(x\)，选择最优剂量：

\[t^*(x) = \arg\max_t \left( \text{gain}(t, x) - \lambda \cdot \text{cost}(t, x) \right)\]

实际中常用网格搜索或梯度方法： 1. 在剂量范围内均匀采样 2. 预测每个剂量下的 gain 和 cost 3. 选择 ROI 最高的剂量

工程挑战

这两类场景在实际落地时都会遇到一些共同挑战：

从工程角度看，这两类场景的落地难度明显高于二值 treatment，通常需要更强的实验设计能力和更多的数据积累。

总结与展望

回过头看，Uplift Modeling 最有价值的地方，并不只是它” 更高级”，而是它更贴近真实业务决策。

很多策略问题，本质上都不是在预测用户会发生什么，而是在判断：

对这个用户做动作，是否值得。

围绕这个问题，本文大致串起了以下链路：

1. 从相关性问题切到因果问题
2. 用潜在结果框架理解 uplift 的估计目标
3. 对比 S/T/X-Learner、Uplift Tree、Causal Forest 等方法
4. 用 AUUC、Qini 评估排序效果
5. 在通用业务策略优化场景中，把模型分变成 gain-cost 约束下的可执行策略

如果只从建模角度看，Uplift 是 “预测 treatment effect”； 如果从业务角度看，它其实是在做一件更重要的事：

把有限资源，投给最可能因为干预而发生变化的人。

这也是它在营销、广告、推荐、召回、风控、医疗等场景里持续有价值的原因。

后续方向

最后也列几个我觉得很值得继续展开的话题：

1. 网络效应：当用户之间存在明显相互影响时，SUTVA 假设如何被修正
2. 在线学习：如何把 uplift 与 contextual bandit、reinforcement learning 结合起来

如果后面有机会，也可以再单独展开写几篇更偏工程细节的文章，比如：

• AUUC / Qini 的实现细节与坑点
• Causal Forest 在工业场景中的特征与样本设计
• 平滑 treatment 的线上策略实现方式

参考文献

1. Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology.
2. Athey, S., & Wager, S. (2019). Estimating treatment effects with causal forests: An application. Observational Studies.
3. Kunzel, S. R., et al. (2019). Metalearners for estimating heterogeneous treatment effects using machine learning. PNAS.
4. Radcliffe, N. J., & Surry, P. D. (2011). Real-world uplift modelling with significance-based uplift trees. White Paper.
5. Gutierrez, P., & Gerardy, J. Y. (2017). Causal inference and uplift modelling: A review of the literature. International Conference on Predictive Applications and APIs.