📊 statistics

Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy

यह शोध पत्र एक कारण अनुकूलन ढांचा (causal optimization framework) प्रस्तुत करता है जो विषम उपचार प्रभावों (heterogeneous treatment effects) का अनुमान लगाकर और व्यावसायिक सुरक्षा उपायों (business guardrails) का पालन करते हुए विशिष्ट प्रस्तावों के साथ ग्राहकों को लक्षित करने के लिए एक प्रतिबंधित आवंटन समस्या को हल करके मार्केटिंग राजस्व और प्रतिधारण (retention) को अधिकतम करता है।

मूल लेखक: Deepit Sapru

प्रकाशित 2026-06-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Deepit Sapru

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप लाखों ग्राहकों वाले एक विशाल डिजिटल स्टोर के मैनेजर हैं। आपके पास कूपन, छूट और विशेष संदेशों के लिए एक सीमित बजट है। आपका लक्ष्य ग्राहकों को खुश रखने और खरीदारी करने के लिए प्रेरित करने के लिए अपने पैसे का समझदारी से उपयोग करना है, बिना एक भी डॉलर बर्बाद किए।

लंबे समय तक, व्यवसायों ने इस खेल को दो मुख्य रणनीतियों का उपयोग करके खेला:

"जुआ" (Gamble) दृष्टिकोण: उन्होंने सभी को छूट दी, इस उम्मीद में कि कुछ लोग खरीदारी करेंगे। (बहुत महंगा)।
"अंतर्ज्ञान" (Gut Feeling) दृष्टिकोण: उन्होंने उन लोगों को देखा जो वैसे भी खरीदने की संभावना रखते थे और उन्हें छूट दी। (बर्बादी, क्योंकि आप उन लोगों को भुगतान कर रहे हैं जो कूपन के बिना भी वह वस्तु खरीदते ही)।

यह पेपर एक स्मार्ट तीसरे तरीके को पेश करता है जिसे "गार्ड्रेलड अपलिफ्ट टारगेटिंग" (Guardrailed Uplift Targeting) कहा जाता है। इसे "मार्केटिंग के लिए जीपीएस" के रूप में सोचें जो न केवल आपको रास्ता बताता है, बल्कि कार को खाई में गिरने से भी रोकता है।

यह कैसे काम करता है, इसके सरल चरण यहाँ दिए गए हैं:

1. "अपलिफ्ट" डिटेक्टर (असली विजेताओं को खोजना)

कल्पना कीजिए कि आपके पास एक जादुई क्रिस्टल बॉल है जो किसी ग्राहक को देख सकती है और एक विशिष्ट प्रश्न का उत्तर दे सकती है: "यदि मैं इस व्यक्ति को कूपन देता हूँ, तो क्या वे बिना कूपन के तुलना में अधिक खरीदारी करेंगे?"

"पक्का खरीदार" (The Sure Thing): एक ग्राहक जो वैसे ही सब कुछ खरीदता है। उन्हें कूपन देना पैसे की बर्बादी है (शून्य "अपलिफ्ट")।
"कभी न खरीदने वाला" (The Never Buyer): एक ग्राहक जो आपके स्टोर से नफरत करता है। उन्हें कूपन देने से वे चिढ़ सकते हैं, या फिर भी वे नहीं खरीदेंगे। यह एक नकारात्मक "अपलिफ्ट" है।
"प्रेरित होने योग्य" (The Persuadable): एक ग्राहक जो दुविधा में है। एक छोटा सा प्रोत्साहन (एक कूपन) उन्हें खरीदारी करने के लिए प्रेरित करता है। यह एक सकारात्मक अपलिफ्ट है।

पेपर का पहला चरण इन "प्रेरित होने योग्य" लोगों को खोजने के लिए उन्नत कंप्यूटर गणित (जिसे "कॉज़ल मशीन लर्निंग" कहा जाता है) का उपयोग करता है। यह "पक्के खरीदारों" और "कभी न खरीदने वालों" को अनदेखा करता है और केवल उन लोगों पर ध्यान केंद्रित करता है जिन्हें थोड़े से प्रोत्साहन की आवश्यकता है।

2. "गार्ड्रेल" (सुरक्षा के नियम)

केवल जीपीएस होना ही काफी नहीं है; ड्राइवर को सुरक्षित रखने के लिए नियमों की भी आवश्यकता होती। वास्तविक दुनिया में, आप "प्रेरित होने योग्य" लोगों को अपनी इच्छानुसार लक्षित नहीं कर सकते। आपके पास व्यावसायिक नियम हैं, या गार्ड्रेल (Guardrails):

बजट गार्ड्रेल: "आप कुल कूपनों का केवल 10% ही भेज सकते हैं।"
राजस्व गार्ड्रेल: "आप कुल बिक्री को 2% से अधिक कम नहीं होने दे सकते, भले ही आप कूपनों पर पैसा बचा रहे हों।"
निष्पक्षता गार्ड्रेल: "आपको विभिन्न समूहों के साथ समान व्यवहार करना चाहिए; अनजाने में किसी विशिष्ट पड़ोस को अनदेखा न करें।"

पेपर का फ्रेमवर्क "प्रेरित होने योग्य" लोगों की सूची लेता है और उसे एक सख्त फिल्टर से गुजारता है। यह एक जटिल पहेली को हल करता है ताकि यह तय किया जा सके: किसे कूपन दिया जाए ताकि हम सबसे अधिक पैसा कमा सकें, जबकि सभी सुरक्षा नियमों का सख्ती से पालन किया जाए?

3. परिणाम (प्रयोगों में क्या हुआ)

लेखकों ने इस "गार्ड्रेल के साथ जीपीएस" का परीक्षण तीन वास्तविक दुनिया के परिदृश्यों में किया, जैसे कि एक वैज्ञानिक एक नए इंजन का परीक्षण करता है:

परिदृश्य A: ग्राहकों को बनाए रखना (रिटेंशन)
- समस्या: एक कंपनी उन सभी लोगों को "हमें छोड़ कर न जाएं!" संदेश भेज रही थी जो छोड़ने जैसा व्यवहार कर रहे थे।
- परिणाम: नए सिस्टम ने महसूस किया कि कुछ लोग तब नाराज हो जाते हैं जब आप उन्हें बचाने की कोशिश करते हैं। इसने उन लोगों को संदेश भेजना बंद कर दिया जो वास्तव में नाराज हो सकते थे और केवल उन लोगों को लक्षित किया जो वास्तव में रुकना चाहते थे।
- परिणाम: उन्होंने अधिक ग्राहकों को बनाए रखा लेकिन कम संदेश भेजे, जिससे पैसा बचा और ग्राहक भी खुश रहे।
** परिदृश्य B: इवेंट रिवॉर्ड्स (खर्च करना)**
- समस्या: एक स्टोर ने दो स्तरों के पुरस्कार (छोटा बनाम बड़ा) पेश किए (एक निश्चित राशि खर्च करने पर)। वे बस अनुमान लगा रहे थे कि किसे क्या मिले।
- परिणाम: सिस्टम ने ठीक से पता लगा लिया कि किसे अधिक खर्च करने के लिए "बड़े इनाम" की आवश्यकता थी, और कौन "छोटे इनाम" के साथ भी समान राशि खर्च करेगा।
- परिणाम: उन्होंने कुल मिलाकर अधिक पैसा कमाया और रिवॉर्ड्स पर कम खर्च किया, जबकि "बड़े इनाम" का सुरक्षा जाल भी बनाए रखा ताकि बिक्री अचानक गिर न जाए।
परिदृश्य C: खर्च की सीमा (Spend $X to Get Y गेम)
- समस्या: खर्च की सीमा निर्धारित करना (जैसे, "मुफ्त शिपिंग पाने के लिए $50 खर्च करें") कठिन है। बहुत अधिक, तो लोग छोड़ देते हैं; बहुत कम, तो आप लाभ खो देते हैं।
- परिणाम: सिस्टम ने लोगों को प्रेरित करने के आधार पर अलग-अलग लोगों को अलग-अलग खर्च सीमाएं सौंपीं।
- परिणाम: वास्तविक ग्राहकों के साथ एक लाइव टेस्ट में, नए सिस्टम ने पुराने "एक ही नियम सबके लिए" के मुकाबले राजस्व बढ़ाया और अधिक लोगों को उनकी खरीदारी पूरी करने में मदद की।

बड़ी तस्वीर

यह पेपर एक नया प्रकार का कूपन या उत्पाद आविष्कार करने के बारे में नहीं है। यह इस बारे में है कि किसे क्या दिया जाए, यह कैसे तय किया जाए।

इसे एक सख्त बजट वाले शेफ के रूप में सोचें।

पुराना तरीका: शेफ हर मेज पर एक मुफ्त ऐपेटाइज़र (Appetizer) देता है, इस उम्मीद में कि वे अधिक ऑर्डर करेंगे। (बर्बादी)।
नया तरीका: शेफ ग्राहकों के मूड को पहचानता है (अपलिफ्ट), देखता है कि कौन भूखा लेकिन दुविधा में है, और केवल उन्हें ही मुफ्त ऐपेटाइज़र देता है यदि यह गारंटी देता है कि वे मुख्य भोजन (Main Course) ऑर्डर करेंगे। लेकिन, शेफ का एक नियम भी है: "हम आज $500 से अधिक खर्च नहीं कर सकते" और "हम नियमित ग्राहकों को उपेक्षित महसूस नहीं होने देंगे" (गार्ड्रेल)।

परिणाम? रेस्टोरेंट अधिक लाभ कमाता है, ग्राहक अधिक खुश होते हैं, और शेफ कंगाल नहीं होता। यही इस पेपर का मूल है: सही समय पर, सही लोगों को लक्षित करने के लिए स्मार्ट गणित का उपयोग करना, नियमों के भीतर रहकर।

तकनीकी सारांश: गार्डरेइल्ड अपलिफ्ट टारगेटिंग (Guardrailed Uplift Targeting)

समस्या विवरण

आधुनिक ई-कॉमर्स प्लेटफॉर्म एक महत्वपूर्ण चुनौती का सामना कर रहे हैं: सख्त व्यावसायिक बाधाओं का पालन करते हुए ग्राहक लक्ष्यीकरण (customer targeting) रणनीतियों को अनुकूलित करना। पारंपरिक दृष्टिकोण, जैसे कि प्रोपेंसिटी स्कोरिंग (propensity scoring) या रैंडम असाइनमेंट, अक्सर विषम उपचार प्रभावों (heterogeneous treatment effects - HTE) और व्यावसायिक सीमाओं को एक साथ ध्यान में रखने में विफल रहते हैं। इसके परिणामस्वरूप संसाधनों का उप-इष्टतम आवंटन होता है, जहाँ प्रचार या रिटेंशन अभियानों में निवेश नकारात्मक रिटर्न दे सकता है या यहाँ तक कि ग्राहक अनुभव को नुकसान पहुँचा सकता है (जैसे कि उच्च-जोखिम वाले खंडों में प्रतिक्रियात्मकता/reactance को ट्रिगर करना)। मुख्य समस्या यह है कि उपचार प्रभावों के कारणत्मक अनुमानों (causal estimates) को ऐसी लक्षित नीतियों में कैसे बदला जाए जो बजट सीमाओं, राजस्व सुरक्षा और निष्पक्षता मेट्रिक्स सहित विविध बाधाओं का व्यवस्थित रूप से सम्मान करती हों।

कार्यप्रणाली ढांचा (Methodological Framework)

यह शोध पत्र एक दो-चरणीय "गार्डरेइल्ड अपलिफ्ट टारगेटिंग" ढांचे का प्रस्ताव करता है जो कॉज़ल मशीन लर्निंग को बाधाओं के साथ अनुकूलित (constrained optimization) करने के साथ एकीकृत करता है।

1. समस्या का सूत्रीकरण (Problem Formulation)

उद्देश्य एक ऐसी लक्ष्यीकरण नीति $\pi: \mathcal{X} \to \mathcal{T}$ सीखना है जो व्यावसायिक बाधाओं $g_j(\pi) \leq c_j$ के अधीन अपेक्षित परिणामों $E[Y(\pi(X))]$ को अधिकतम करती है। नीति प्रत्येक ग्राहक को उपलब्ध उपचारों के सेट में से ठीक एक उपचार (कंट्रोल/बेसलाइन सहित) आवंटित करती है।

2. चरण I: अपलिफ्ट अनुमान (CATE)

ढांचा पहले अत्याधुनिक अपलिफ्ट लर्नर्स का उपयोग करके कंडीशनल एवरेज ट्रीटमेंट इफेक्ट्स (CATE) का अनुमान लगाता है। ग्राहक $x_i$ के लिए CATE को उपचार और कंट्रोल के बीच संभावित परिणामों के अंतर के रूप में परिभाषित किया गया है:
$\tau(x_i) = E[Y_i(1)|X_i=x_i] - E[Y_i(0)|X_i=x_i]$
लेखक कई अनुमानकों (estimators) का उपयोग करते हैं, जिनमें शामिल हैं:

कॉज़ल फॉरेस्ट (Causal Forest): हाई-डायमेंशनल कोवेरिएट्स के लिए रैंडम फॉरेस्ट को अनुकूलित करता है।
डबल मशीन लर्निंग (DML): एक डबली रोबस्ट विधि जो आउटकम और प्रोपensity स्कोर मॉडलिंग को जोड़ती है।
फॉरेस्ट डबली रोबस्ट लर्नर (Forest Doubly Robust Learner): फॉरेस्ट विधियों को डबली रोबस्ट अनुमान के साथ एकीकृत करता है।

3. चरण II: बाधाओं के साथ अनुकूलन (Constrained Optimization)

अनुमानित अपलिफ्ट $\hat{\tau}_k(x_i)$ का उपयोग करते हुए, ढांचा इष्टतम असाइनमेंट मैट्रिक्स $\pi$ निर्धारित करने के लिए एक बाधा-युक्त अनुकूलन समस्या को हल करता है:
$\max_{\pi} \sum_{i=1}^{N} \sum_{k=1}^{K} \pi_{ik} w_i \hat{\tau}_k(x_i)$
विषय:

बाइनरी असाइनमेंट: $\pi_{ik} \in \{0, 1\}$
एकल उपचार: $\sum_k \pi_{ik} = 1$
व्यावसायिक गार्डरेल्स (Business Guardrails): $g(\pi) \leq c$

बाधाओं के प्रकार:

बजट: एक विशिष्ट उपचार प्राप्त करने वाले ग्राहकों के अनुपात को सीमित करना।
राजस्व संरक्षण: यह सुनिश्चित करना कि कुल राजस्व एक सीमा से नीचे न गिरे (जैसे, "ट्रीट-ऑल" परिदृश्य के 98% का)।
निष्पक्षता (Fairness): जनसांख्यिकीय समानता या समान अवसर लागू करना।
परिचालन सीमाएं: डिलीवरी सिस्टम की क्षमता संबंधी बाधाएं।

बड़ी आबादी के लिए कम्प्यूटेशनल स्केलेबिलिटी को संबोधित करने के लिए, ढांचा कस्टमर बकेटिंग (customer bucketing) का उपयोग करता है, जिसमें ग्राहकों को उनके समान अपलिफ्ट अनुमानों द्वारा समूहीकृत किया जाता है और व्यक्तियों के बजाय समूहों पर अनुकूलन किया जाता है।

4. मूल्यांकन पद्धति

प्रदर्शन का आकलन निम्नलिखित माध्यमों से किया जाता है:

अपलिफ्ट मॉडल मेट्रिक्स: एरिया अंडर द क्युमुलेटिव अपलिफ्ट कर्व (AUC)।
ऑफलाइन पॉलिसी इवैल्यूएशन: ऐतिहासिक डेटा से नीति के मूल्य का अनुमान लगाने के लिए इनवर्स प्रोपेंसिटी स्कोरिंग (IPS) और सेल्फ-नॉर्मलाइज्ड IPS (SNIPS)।
ऑनलाइन वैलिडेशन: बिजनेस-एज़-यूज़ुअल बेसलाइन्स के विरुद्ध बड़े पैमाने पर A/B टेस्टिंग।

मुख्य योगदान

शोध पत्र पाँच प्राथमिक योगदानों को रेखांकित करता है:

एक दो-चरणीय ढांचा: CATE अनुमान के साथ एक नवीन एकीकरण जो विशेष रूप से व्यावहारिक मार्केटिंग निर्णयों के लिए डिज़ाइन किया गया है।
सिमुलेशन सेटअप: एक विस्तृत ऑफलाइन वैलिडेशन वातावरण जिसमें डेटा जनरेशन, उपचार असाइनमेंट, रिस्पॉन्स फंक्शन और विशिष्ट गार्डरेल बाधाएं शामिल हैं।
अनुभवजन्य सत्यापन (Empirical Validation): तीन अलग-अलग व्यावसायिक परिदृश्यों (रिटेंशन, इवेंट रेवेन्यू, स्पेंड थ्रेशोल्ड्स) में बेसलाइन्स पर निरंतर सुधार दिखाते हुए प्रदर्शन का प्रदर्शन।
कार्यान्वयन दिशानिर्देश: डेटा आवश्यकताओं, मॉडल चयन, बाधा विनिर्देश और कम्प्यूटेशनल स्केलेबिलिटी पर व्यावहारिक सलाह।
ओपन रिसोर्सेज: सार्वजनिक रूप से उपलब्ध कोड और कॉज़ल टारगेटिंग को संचालित करने के लिए एक पुन: प्रयोज्य प्लेबुक।

प्रयोगात्मक परिणाम

ढांचे को तीन परिदृश्यों में ऑफलाइन सिमुलेशन और ऑनलाइन A/B टेस्ट के माध्यम से मान्य किया गया था:

A. ग्राहक रिटेंशन ऑप्टिमाइजेशन (Customer Retention Optimization)

संदर्भ: सक्रिय संदेशों के माध्यम से मंथन (churn) को कम करना।
निष्कर्ष: अनुकूलित नीति ने केवल 6.47% ग्राहकों को लक्षित किया (बनाम ~34% बेसलाइन के लिए)।
परिणाम: प्रोपेंसिटी-आधारित बेसलाइन की तुलना में रिटेंशन दरों में 2.35% सापेक्ष लिफ्ट प्राप्त किया। महत्वपूर्ण रूप से, इसने पहचाना कि बहुत कम रिटेंशन स्कोर वाले ग्राहकों ने संदेशों पर नकारात्मक प्रतिक्रिया दी और उन्हें बाहर रखा, जिससे "ट्रीट-ऑल" की अक्षमता से बचा जा सका।

B. इवेंट रेवेन्यू मैक्सिमाइजेशन (Event Revenue Maximization)

संदर्भ: प्रमोशनल इवेंट्स के लिए टियर्ड रिवॉर्ड्स (P1 बनाम P2) आवंटित करना।
बाधा: राजस्व संरक्षण (बिक्री 'मैक्स रिवॉर्ड टू ऑल' की तुलना में 1% से अधिक नहीं गिरनी चाहिए)।
परिणाम: Causal Forest DML मॉडल ने 0.317% राजस्व लिफ्ट हासिल की और बिक्री के प्रतिशत के रूप में प्रोत्साहन खर्च को 11.879% कम कर दिया। इसने पूर्णता दर (completion rates) में 1.02% का सुधार भी किया, जो दर्शाता है कि लागत दक्षता ग्राहक अनुभव की कीमत पर नहीं आई।

C. स्पेंड थ्रेशोल्ड ऑप्टिमाइजेशन (Spend Threshold Optimization)

संदर्भ: रिवॉर्ड के लिए पात्र होने हेतु इष्टतम खर्च सीमा (S1 बनाम S2) आवंटित करना।
परिणाम: एक बड़े पैमाने के A/B टेस्ट में, अनुकूलित नीति ने सांख्यिकीय रूप से महत्वपूर्ण 0.36% राजस्व लिफ्ट ( $p=0.040$ ) और पूर्णता दर में 5.49% का सुधार ( $p=0.000$ ) प्राप्त किया। नीति ने केवल 11.93% ग्राहकों को निचली सीमा आवंटित की (बनाम 34.49% बेसलाइन के लिए), जो सिद्ध करता है कि चयनात्मक लक्ष्यीकरण बेहतर समग्र प्रदर्शन को प्रेरित करता है।

महत्व और दावे

शोध पत्र का दावा है कि यह ढांचा कॉज़ल अनुमानों को वास्तविक दुनिया की व्यावसायिक सीमाओं का सम्मान करने वाली निष्पादन योग्य मार्केटिंग रणनीतियों में बदलने के लिए एक व्यवस्थित पद्धति प्रदान करता है। साधारण प्रोपेंसिटी स्कोरिंग से आगे बढ़कर, यह दृष्टिकोण मार्केटर्स को सक्षम बनाता है:

उन इष्टतम ग्राहक खंडों की पहचान करना जो वास्तव में हस्तक्षेप (interventions) के प्रति उत्तरदायी हैं।
उन खंडों को लक्षित करने से बचना जो नकारात्मक प्रतिक्रिया दे सकते हैं (जैसे, उच्च-जोखिम वाले मंथनकर्ता)।
सख्त बजट और राजस्व गार्डरेल्स के भीतर काम करना, यह सुनिश्चित करना कि अनुकूलन मुख्य व्यावसायिक मेट्रिक्स से समझौता न करे।

लेखक इस कार्य को कॉज़ल टारगेटिंग को स्केल करने के लिए एक पुन: प्रयोज्य प्लेबुक के रूप में प्रस्तुत करते हैं, जिसे ऑफलाइन सिमुलेशन और ऑनलाइन A/B टेस्ट दोनों द्वारा मान्य किया गया है, जो लगातार स्थिर बेसलाइन्स और प्रोपेंसिटी-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करते हैं। यह ढांचा उन्नत कॉज़ल मशीन लर्निंग सिद्धांत और व्यावहारिक तैनाती आवश्यकताओं के बीच के अंतर को पाटता है, जो अधिक कुशल, नैतिक और लाभदायक मार्केटिंग संचालन के लिए एक मार्ग प्रदान करता है।