Uplift modeling

Uplift modeling is een vorm van data analytics die gebruik maakt van voorspellende modelleringstechnieken om die individuen te identificeren die positief kunnen worden beïnvloed door een outreach-inspanning.

Uplift modeling wordt vaak geassocieerd met politieke campagnes, reclame en gezondheidszorg. In elke groep kiezers, potentiële klanten of patiënten, bijvoorbeeld, zullen sommige individuen "on the fence" over een toekomstige koers van actie, maar kan worden beïnvloed door te praten met een kandidaat, stylist of arts-assistent. Het doel van uplift modeling is om alleen tijd, geld of moeite te besteden aan individuen die echt een bericht moeten krijgen voordat ze een bepaalde actie ondernemen.

Uplift modeling vereist data scientists om datamodellen te bouwen die nauwkeurig de kenmerken van individuen identificeren die persoonlijk contact nodig hebben voordat ze een beslissing nemen.  Het bouwen van de benodigde controle- en testgroepen kan tijd kosten, en het verfijnen van de voorspellende modellen kan veel geduld vergen.  Omdat de criteria voor het identificeren van dergelijke individuen zo genuanceerd kunnen zijn, wordt het testen vaak incrementeel gedaan. Om deze reden wordt uplift modeling ook wel incremental modeling genoemd.