📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

Ce travail présente un modèle de lift causal hiérarchique capable de décomposer les effets individuels et les synergies de parcours clients multiples et chevauchants, permettant ainsi de corriger la sous-estimation de l'impact incrémental causée par les biais des tests A/B traditionnels.

Auteurs originaux : Jorge Pellegrini

Publié 2026-04-28

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Jorge Pellegrini

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Le "Brouhaha" du Marketing Digital

Imaginez que vous essayez de savoir si un ami est vraiment gentil parce qu'il vous a offert un cadeau, ou s'il est juste poli. Le problème, c'est que pendant qu'il vous offre ce cadeau, trois autres amis lui donnent aussi de l'argent, un autre lui fait un compliment, et un quatrième lui prépare un dîner.

À la fin de la soirée, vous voyez que votre ami est très généreux, mais vous ne savez plus qui a fait quoi. Est-ce le cadeau ? Est-ce le dîner ? Ou est-ce que c'est l'effet de tout ce mélange qui l'a rendu super généreux ?

C'est exactement ce qui arrive à Despegar (une plateforme de voyage). Ils envoient des messages aux clients : un mail pour vous rappeler un vol (le "Voyage Recherche"), une notification pour vous dire que votre panier est plein (le "Voyage Panier"), et une promo spéciale (le "Voyage Offre").

Le souci, c'est que les clients reçoivent souvent les trois en même temps. Si on regarde juste les résultats d'un test classique, on a l'impression que les messages ne marchent pas très bien. En réalité, ils marchent super bien, mais ils se marchent sur les pieds ! On ne voit que l'effet "moyen" et on sous-estime la puissance de chaque message.

La Solution : Le "Détecteur de Synergie"

L'auteur, Jorge Pellegrini, a créé un modèle mathématique qui agit comme un chef d'orchestre expert.

Au lieu de regarder chaque instrument (chaque message) séparément, son modèle regarde l'ensemble de l'orchestre. Il utilise une méthode appelée "Modélisation Causale Hiérarchique". Pour faire simple, il pose la question : "Si j'enlève le violon, est-ce que la musique change vraiment, ou est-ce que les trompettes compensent ?"

Il utilise deux outils magiques :

Le calcul des interactions : Il cherche à savoir si les messages se font du bien (synergie) ou s'ils se parasitent (cannibalisation). Par exemple, est-ce que recevoir une promo juste après avoir vu un panier plein est plus efficace que les deux séparément ?
La simulation Monte Carlo : C'est comme s'il jouait la scène 5 000 fois dans un simulateur informatique en changeant légèrement les détails à chaque fois pour être sûr que ses conclusions ne sont pas dues au hasard.

Les Résultats : La Révélation

Quand il a appliqué ce modèle à 3 millions d'utilisateurs, les résultats ont été surprenants :

L'effet "Iceberg" : Il a découvert que l'impact réel de chaque message est beaucoup plus grand que ce que les tests classiques laissaient croire. Par exemple, le message "Offre" est en fait 4 fois plus puissant que ce qu'on pensait ! L'effet réel était caché sous la surface, comme la partie immergée d'un iceberg.
Le petit coup de pouce (Synergie) : Il a remarqué que les messages ne se battent pas entre eux, mais qu'ils s'entraident légèrement. Ils créent une petite étincelle supplémentaire quand ils arrivent ensemble.
Le verdict : Le modèle est tellement précis que lorsqu'il prédit l'effet total de tous les messages combinés, il tombe presque pile sur la réalité observée.

En résumé

Ce papier nous dit : "Ne jugez pas un livre à sa couverture, et ne jugez pas une campagne marketing en regardant un seul message isolé."

Grâce à ce modèle, les entreprises peuvent enfin comprendre la vraie valeur de chaque message qu'elles envoient, même dans le chaos d'un monde numérique où tout arrive en même temps. C'est passer d'une vision floue à une vision haute définition de ce qui fait vraiment acheter un client.

Résumé Technique : Modélisation Hiérarchique de l'Uplift Causal dans des Parcours Clients Superposés

1. Problématique (Le Problème)

Dans les plateformes de voyage numériques (comme Despegar), les stratégies marketing déploient plusieurs "parcours" (journeys) automatisés simultanément (ex: relance de panier abandonné, offres promotionnelles, recherche). Le problème central est la superposition des expositions : un même utilisateur peut être ciblé par plusieurs parcours en même temps.

Les tests A/B traditionnels mesurent l'effet marginal d'un parcours en isolant un groupe de contrôle. Cependant, en présence de chevauchements, ces tests souffrent de deux biais majeurs :

Sous-estimation de l'impact réel : L'effet observé est une mesure "polluée" par les autres parcours actifs, ne reflétant pas l'incrémentalité pure de chaque action.
Incapacité à capturer les interactions : Les méthodes standards ne permettent pas de distinguer si deux parcours agissent en synergie (renforcement) ou en cannibalisation (diminution de l'effet mutuel).
Contrainte opérationnelle : Il est impossible de mener des tests A/B isolés pour chaque parcours sans sacrifier une part massive de revenus et dégrader l'expérience client.

2. Méthodologie (L'Approche)

L'auteur propose un Modèle de Lift Causal Hiérarchique basé sur une approche probabiliste et multiplicative.

A. Structure du Modèle

Le modèle décompose l'effet de chaque parcours $j$ par un facteur multiplicatif $f_j = 1 + \ell_j$ , où $\ell_j$ est le lift net. Pour capturer les interactions, des termes de synergie $\kappa$ sont introduits :

$\kappa = 1$ : Indépendance pure.
$\kappa > 1$ : Synergie (amplification).
$\kappa < 1$ : Cannibalisation (atténuation).

L'effet total pour une combinaison de parcours est le produit des facteurs individuels et des facteurs d'interaction (pair et triple).

B. Estimation et Optimisation

Le modèle cherche à minimiser l'écart entre les lifts observés expérimentalement et les lifts prédits par le modèle via une fonction de coût combinant :

Résidus des lifts ON/OFF : L'écart entre les prédictions et les résultats des tests A/B.
Régularisation (Ridge) : Une pénalité sur les termes d'interaction pour éviter le surapprentissage (overfitting) et forcer les $\kappa$ vers 1 si les données ne justifient pas une interaction forte.
Ancrage "Soft" (Pure Lifts) : L'intégration des "pure lifts" (mesurés sur des sous-populations peu exposées) comme contraintes souples (priors gaussiens) pour stabiliser l'estimation.

C. Cadre Monte Carlo

Pour gérer l'incertitude, l'auteur utilise une simulation de Monte Carlo (5 000 itérations) qui :

Échantillonne les proportions de chevauchement via une distribution de Dirichlet.
Perturbe les lifts observés selon leur variance (calculée par la méthode Delta).
Permet d'obtenir une distribution postérieure des paramètres (moyenne, médiane, intervalles de confiance) plutôt qu'une simple estimation ponctuelle.

3. Contributions Clés

Décomposition de l'effet : Capacité à séparer l'effet "pur" d'un parcours de son effet "global" au sein d'un écosystème complexe.
Modélisation des interactions : Introduction formelle de la synergie et de la cannibalisation dans l'estimation de l'incrémentalité.
Robustesse statistique : Utilisation conjointe de l'optimisation par moindres carrés non linéaires et de la simulation Monte Carlo pour quantifier l'incertitude liée au bruit expérimental et à la structure de la population.

4. Résultats

L'application au modèle de Despegar (3 millions d'utilisateurs) montre :

Synergies positives mais modestes : Le modèle identifie des interactions positives entre les parcours (ex: entre Flow et Offer), confirmant que les parcours se renforcent mutuellement.
Récupération de l'incrémentalité réelle : Les "pure lifts" estimés sont nettement supérieurs aux lifts observés expérimentalement (par exemple, l'effet du parcours Offer est environ 4 fois plus élevé que ce que le test A/B suggérait). Cela prouve que le chevauchement masque la véritable valeur de chaque parcours.
Validation du modèle global : Le lift global prédit par le modèle correspond à environ 85 % du lift global mesuré expérimentalement, ce qui démontre la précision du modèle pour capturer l'impact systémique.

5. Signification (Impact)

Ce travail transforme la manière dont les entreprises de e-commerce peuvent évaluer leur marketing automation. Au lieu de voir chaque campagne comme une entité isolée, les décideurs peuvent désormais :

Optimiser l'orchestration : Comprendre quels parcours fonctionnent mieux ensemble.
Prioriser les investissements : Identifier les parcours dont la valeur réelle est sous-estimée par les tests A/B classiques.
Réduire les risques : Évaluer l'impact global sans avoir à supprimer massivement les communications pour des raisons de contrôle.