📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

Este trabajo presenta un modelo de elevación causal jerárquico diseñado para descomponer los efectos de múltiples trayectorias de marketing superpuestas, permitiendo recuperar el impacto incremental real de cada una y cuantificar sus sinergias mediante un marco de simulación de Monte Carlo.

Autores originales: Jorge Pellegrini

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Jorge Pellegrini

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Dilema de los "Mensajes Persistentes": ¿Quién me convenció realmente de comprar?

Imagina que estás en un centro comercial con muchas ganas de comprarte unos tenis nuevos, pero no te decides. De repente, empiezan a pasar tres cosas:

Un vendedor se te acerca en el pasillo y te dice: "¡Mira estos modelos!" (El viaje de Búsqueda).
Cuando entras a la tienda y te pruebas unos, una empleada te dice: "Si te los llevas ahora, te los guardamos" (El viaje de Flujo).
Al salir de la tienda, te llega un SMS al móvil con un cupón de 10% de descuento (El viaje de Oferta).

Al final, terminas comprando los tenis. ¿A quién le debes el mérito? ¿Al vendedor del pasillo? ¿A la empleada? ¿O al cupón del SMS?

En el mundo digital (como en Despegar), esto pasa todo el tiempo. Una empresa te envía un email, luego una notificación al móvil y luego un anuncio en Instagram. El problema es que, cuando las empresas hacen experimentos para ver si sus mensajes funcionan, se confunden, porque casi siempre los mensajes se enciman unos con otros.

El Problema: El "Efecto Mezcla"

Normalmente, las empresas usan pruebas A/B (le mandan un mensaje a un grupo y a otro no). Pero en la vida real, es imposible dejar a un cliente "en blanco" para siempre porque perderían dinero. Por eso, los clientes siempre están recibiendo varios mensajes a la vez.

Si una empresa mide el éxito de su "Cupón de Descuento" pero el cliente también recibió un "Email de Recordatorio" al mismo tiempo, el éxito del cupón parecerá más pequeño de lo que realmente es. Es como si intentaras medir cuánto ayuda la sal a una sopa, pero la sopa ya tiene pimienta, cebolla y carne. La sal parece que no hace nada, pero en realidad es fundamental; solo que está mezclada.

La Solución: El "Modelo de Descomposición" (La receta de cocina)

Jorge Pellegrini propone un modelo matemático que actúa como un "detective de ingredientes".

En lugar de mirar solo el resultado final (la venta), su modelo hace lo siguiente:

Separa los ingredientes: Intenta calcular cuánto habría aportado cada mensaje si hubiera actuado solo (esto es lo que él llama "Pure Lift" o efecto puro).
Busca la "química" entre ellos: Analiza si los mensajes se ayudan entre sí (Sinergia) o si se estorban (Canibalización).
- Ejemplo de Sinergia: El email te despierta el interés y el cupón te da el empujón final. ¡Trabajan en equipo!
Usa simulaciones (Monte Carlo): Como no puede estar 100% seguro de qué mensaje causó qué cosa, el modelo juega a "qué pasaría si..." miles de veces (5,000 veces, para ser exactos), usando la probabilidad para encontrar la respuesta más lógica y estable.

¿Qué descubrió el estudio? (Los resultados)

Al aplicar esto a 3 millones de usuarios, el "detective" reveló verdades ocultas:

Los mensajes son más poderosos de lo que parecen: El modelo descubrió que cada mensaje individual es mucho más efectivo de lo que las pruebas normales decían. El "ruido" de los otros mensajes hacía que parecieran débiles, pero en realidad son motores de venta muy fuertes.
Hay una buena química: Los mensajes no se estorban; de hecho, se ayudan un poquito (hay sinergia). Especialmente cuando alguien ya está a punto de comprar, recibir una oferta es el "gol de gracia".
El sistema funciona: El modelo logró predecir casi perfectamente el éxito total de todas las campañas juntas, demostrando que su forma de "desarmar la sopa" para ver los ingredientes funciona de maravilla.

En resumen:

Este trabajo permite a las empresas entender el verdadero valor de cada mensaje en un mundo donde todos los estímulos ocurren al mismo tiempo, permitiéndoles invertir mejor su dinero y no malinterpretar el éxito de sus estrategias.

Resumen Técnico: Modelado Jerárquico de Uplift Causal en Jornadas de Cliente Superpuestas

Autor: Jorge Pellegrini (Despegar)

1. El Problema: Sesgo por Superposición de Experimentos

En las plataformas de comercio electrónico de viajes, las empresas despliegan múltiples "jornadas de marketing" (flujos automatizados de comunicación como emails, push o retargeting) que se activan según el comportamiento del usuario. El problema central es que estas jornadas no operan de forma aislada; los usuarios suelen estar expuestos a varias de ellas simultáneamente.

Los experimentos A/B tradicionales miden el efecto marginal (el incremento observado cuando una jornada se activa o desactiva en un entorno de ruido). Sin embargo, debido a la superposición, este método no captura el impacto incremental real de cada jornada, ya que los efectos de una pueden canibalizar o potenciar a los de otra. Confiar únicamente en el lift observado conduce a una subestimación del impacto real de cada estrategia y a una atribución incorrecta de la causalidad.

2. Metodología Propuesta

El autor propone un Modelo de Uplift Causal Jerárquico diseñado para descomponer los efectos globales en efectos "puros" (aislados) e interacciones (sinergias o cannibalizaciones).

A. Estructura del Modelo:
El modelo asume que cada jornada ( $j$ ) contribuye de forma multiplicativa a la probabilidad de conversión mediante un factor $f_j = 1 + \ell_j$ . Para capturar la complejidad de la interacción, se introducen términos de interacción ( $\kappa$ ) para combinaciones de dos y tres jornadas:

Efecto Multiplicativo: El efecto total de una combinación de jornadas es el producto de sus factores individuales y sus factores de interacción.
Descomposición de Lifts: El modelo relaciona los lifts observados experimentalmente (ON/OFF) con las combinaciones de factores puros e interacciones.

B. Estimación y Optimización:
Para resolver el modelo, se utiliza un enfoque de Mínimos Cuadrados No Lineales Regularizados:

Regularización de Interacción: Se penalizan las desviaciones de los términos de interacción respecto a la neutralidad ( $\kappa = 1$ ) para evitar el sobreajuste (overfitting).
Anclajes Suaves (Soft Anchors): Se incorporan los "pure lifts" (medidos en subpoblaciones pequeñas y ruidosas) no como restricciones rígidas, sino como términos de penalización tipo Gaussiano para estabilizar la estimación.

C. Marco de Monte Carlo:
Para cuantificar la incertidumbre, el autor emplea una simulación de Monte Carlo (5,000 iteraciones) que:

Muestrea las proporciones de superposición de la población mediante una distribución Dirichlet.
Perturba los lifts observados y los pure lifts según su variabilidad estadística.
Genera una distribución posterior de los parámetros, permitiendo obtener medias, medianas y rangos de confianza robustos.

3. Contribuciones Clave

Descomposición Causal: Capacidad de separar el impacto real de una jornada de la interferencia causada por otras jornadas activas.
Tratamiento de la Incertidumbre: Integración de la incertidumbre de la composición de la audiencia (overlap) y el ruido experimental en un solo marco probabilístico.
Eficiencia Operativa: Permite estimar la efectividad total sin necesidad de ejecutar experimentos A/B masivos que supriman la mitad de las comunicaciones (lo cual sería costoso y riesgoso para el negocio).

4. Resultados Principales

Aplicado a una base de 3 millones de usuarios en Despegar, el modelo reveló:

Sinergias Positivas: Se detectaron sinergias consistentes pero modestas entre las jornadas de Search (Búsqueda), Flow (Flujo de compra) y Offer (Oferta). La interacción más fuerte se dio entre Flow y Offer, indicando que las ofertas son altamente efectivas cuando el usuario ya está avanzado en el proceso de compra.
Subestimación del Lift Real: Los lifts puros estimados fueron significativamente mayores que los observados en los experimentos A/B:
- La jornada de Offer es ~4 veces más potente de lo que parece.
- La jornada de Search es ~4.6 veces más potente.
- La jornada de Flow es ~2.5 veces más potente.
Validación del Modelo: El lift global predicho por el modelo alcanzó aproximadamente el 85% del valor medido experimentalmente, lo que demuestra una alta capacidad de recuperación de la causalidad sistémica.

5. Significancia

Este trabajo es fundamental para la orquestación de marketing a gran escala. Proporciona una metodología científicamente rigurosa para que las empresas de e-commerce puedan priorizar inversiones en canales, optimizar la frecuencia de mensajes y entender el verdadero valor incremental de sus sistemas de automatización, evitando la toma de decisiones basada en métricas marginales sesgadas.