# Netliftのモデリング

> Netliftのモデリング - 機械学習を活用して、マーケティングキャンペーンが最も効果的となる種類の人々のパターンを見つけます。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.233804+00:00` (UTC).

## Primary page

- [Netliftのモデリング](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/time-series/ml-uplift.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/use_cases_and_horizontal_approaches/marketing_uplift_modeling/uplift_modeling.ipynb)

アップリフトモデリング、または"netlift"モデリングとも呼ばれるこの手法は、マーケティングにおいて特定の見込み客の購買意向に対するキャンペーンの影響を分離するのによく使われます このDataRobot AIアクセラレータの基本的な例はまさにそれですが、より一般的には、任意の"介入"の肯定的な反応に対する影響を分離するために使用できます。 アップリフトモデリングの主な課題は、キャンペーンの効果を分離することです。なぜなら、個々の人がキャンペーンを受けている状態と受けていない状態の両方を観察することはできないからです。 このアクセラレータは、この主要な課題と、アップリフトモデリングのための他のヒントやコツに対処します。

多くの場合、過去の戦略では、製品を購入する可能性がすでに高いとされる人々をキャンペーンの対象としていました（または一般的に、好ましい反応を示す人々）。 そのアプローチは、キャンペーンを受けることが購入確率を高めるという単純な傾向を示唆していましたが、顧客に関する他の多くの特徴がキャンペーンの独立した影響を混乱させている可能性があります。 実際には、すでに購入確率が高い顧客を対象としたキャンペーンが、彼らの購入確率を実際に減少させている可能性があります。 これらはマーケティング用語で"寝ている犬"と呼ばれるものです。 ROIの観点からは、ある見込み客グループの購入確率を25％から50％に上げることは、別のグループの購入確率を50％から75％に上げることと同じくらい価値があります（グループが大まかに同じサイズで、同じ予想収益値を持つと仮定）。 したがって、機械学習モデルから本当に求めているのは、キャンペーンでどの見込み客の購入確率を最大に引き上げるのかということです。

このアクセラレータは、製品が購入されたかどうかという二値的な結果を持つ一般的なデータセットを使用しています。 "処置"、つまりキャンペーンはシンプルです。これは、いくつかの潜在的な買い手にランダムに送信された単一のキャンペーンタイプですが、キャンペーンに選択バイアスがあった一般的なケースにこれらの方法を外挿で推定する方法も説明します。 機械学習を活用して、キャンペーンが最も効果的である種類の人々を見つけ、キャンペーンが表示されない場合に購入のベースラインの見込みを制御します。 アップリフトのユースケースでは、"uplift score"を抽出および評価するための追加の後処理が必要になるため、このユースケースはDataRobotのプログラムAPIを活用して、強力な機械学習と一般的なコーディングパイプラインをシームレスに統合するための理想的な候補です。

提供されたJupyter Notebookで作業することにより、以下の概念と戦略が強化されます。

1. アップリフトモデルから最大限に引き出すためのデータフォーマットのコツ
2. DataRobotのAPIを活用して、コードファーストのパイプラインに強力な機械学習を統合する方法。
3. 単一の二値分類モデルからアップリフトスコアを抽出する方法。
4. それらのアップリフトスコアとその暗示するROIを評価し、理解する方法。
5. 過去のトレーニングデータが選択バイアスを示し、キャンペーンがランダムに送られなかった場合の考慮事項。