📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

Dit artikel introduceert een hiërarchisch causaal liftmodel dat de werkelijke impact van overlappende marketingcampagnes nauwkeuriger bepaalt door synergieën en cannibalisatie te onderscheiden van de gemeten marginale effecten.

Oorspronkelijke auteurs: Jorge Pellegrini

Gepubliceerd 2026-04-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jorge Pellegrini

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een grote supermarkt runt. Om klanten te lokken, gebruik je verschillende trucjes: je stuurt een kortingsbon via de app, je zet een bord met "Aanbieding!" bij de ingang, en je laat een medewerker vriendelijk vragen of je hulp nodig hebt.

Het probleem? Een klant krijgt vaak alle drie de trucjes tegelijk.

Als die klant uiteindelijk een pak melk koopt, hoe weet je dan welk trucje de doorslag gaf? Was het de kortingsbon? Of de medewerker? Of was de klant sowieso al van plan die melk te kopen en hebben die trucjes elkaar alleen maar in de weg gezeten?

Dit wetenschappelijke artikel van Jorge Pellegrini (van Despegar) lost precies dit probleem op voor digitale reisplatforms (zoals Booking.com of Expedia). Hier is de uitleg in gewone mensentaal.

Het probleem: De "Lawaaiige" Marketing-orkestratie

In de digitale wereld sturen bedrijven je verschillende "reizen" (marketing journeys). Bijvoorbeeld:

De Zoek-reis: Je zoekt naar een hotel $\rightarrow$ je krijgt een mailtje.
De Winkelwagen-reis: Je stopt een vlucht in je mandje $\rightarrow$ je krijgt een pushbericht.
De Aanbieding-reis: Er is een speciale korting $\rightarrow$ je ziet een pop-up.

Normaal gesproken testen bedrijven dit met een A/B-test: de ene groep krijgt de mail, de andere groep niet. Dat werkt prima als je maar één ding test. Maar in de echte wereld krijgt een gebruiker vaak alle drie tegelijk.

De onderzoekers ontdekten dat de standaardmetingen hierdoor "liegen". De resultaten lijken veel lager dan ze in werkelijkheid zijn. Het is alsof je probeert te horen of een viool mooi klinkt, terwijl er tegelijkertijd een trompet, een piano en een drumstel naast je staan te spelen. Je hoort alleen een rommeltje, niet de pure kracht van de viool.

De oplossing: De "Causale Hiërarchische Modellen"

Pellegrini heeft een slim wiskundig model gebouwd dat werkt als een soort geluidstechnicus bij een concert.

De geluidstechnicus kan de verschillende instrumenten van elkaar scheiden. Hij kijkt naar het totale geluid (de totale verkoop) en probeert terug te rekenen: "Als ik de trompet even wegfilter, hoe hard klinkt de viool dan echt?"

Hoe doet hij dat?

De Multiplicatieve Factor: Hij gaat ervan uit dat elk marketing-trucje een "versterker" is. De ene versterkt je kans op een aankoop met 10%, de andere met 5%.
Synergie en Kannibalisatie: Hij kijkt ook naar de interactie. Soms werken twee trucjes samen als een superhelden-team (synergie): de kortingsbon én de vriendelijke medewerker maken je zó enthousiast dat je méér koopt dan de som van de twee. Maar soms werken ze elkaar ook tegen (kannibalisatie): de pop-up is zo irritant dat je de kortingsbon negeert.
Monte Carlo (De "Wat als?" machine): Omdat data nooit perfect is, gebruikt hij een computer om duizenden keren "wat als"-scenario's te draaien. "Wat als de klant deze mail net iets eerder kreeg?" "Wat als de groep die de korting kreeg net iets anders was?" Door dit duizenden keren te simuleren, vindt hij het meest waarschijnlijke, echte effect.

De resultaten: De verborgen kracht

Toen hij dit toepaste op drie miljoen gebruikers, kwamen er spectaculaire dingen naar boven:

De "Echte" impact is veel groter: De marketing-reizen leken in de gewone tests misschien een klein beetje effect te hebben, maar het model liet zien dat hun werkelijke kracht veel groter is (soms wel 4 keer zo groot!). De overlap maskeerde simpelweg hun ware potentieel.
Kleine Synergieën: De trucjes werken meestal een klein beetje beter als ze samen worden ingezet dan wanneer ze alleen staan.
De "Aanbieding" is de ster: Vooral wanneer je al bijna klaar bent met boeken (in je winkelwagen zit), is een goede aanbieding de ultieme duw in de rug.

Conclusie

In plaats van te kijken naar de rommelige chaos van marketing die overal tegelijk gebeurt, heeft dit onderzoek een manier gevonden om de individuele kracht van elk bericht te isoleren. Het is het verschil tussen kijken naar een regenboog en proberen te begrijpen hoe elk individueel spectrum van licht precies werkt.

Technische Samenvatting: Hiërarchische Causale Uplift-modellering in Overlappende Klantreizen

1. Probleemstelling (The Problem)

In digitale e-commerceomgevingen (zoals reisplatforms) worden gebruikers vaak tegelijkertijd blootgesteld aan meerdere geautomatiseerde marketingtrajecten (marketing journeys), zoals zoek-, flow- en aanbiedingstrajecten. Traditionele A/B-testen meten de "lift" (het causale effect) van één traject in isolatie.

Het probleem is dat deze standaardmethode uitgaat van isolatie, terwijl in de praktijk trajecten elkaar overlappen. Deze overlap leidt tot interactie-effecten (synergie of cannibalisatie), waardoor de geobserveerde lift slechts een marginaal effect is. Hierdoor wordt de werkelijke incrementele impact van elk individueel traject aanzienlijk onderschat. Het gelijktijdig uitvoeren van volledige holdout-experimenten voor alle trajecten is bovendien commercieel onhaalbaar vanwege het verlies aan omzet.

2. Methodologie (Methodology)

De auteur stelt een Hierarchical Causal Lift Model voor dat de totale impact decomponeert in pure effecten en interactie-effecten.

Modelstructuur: Het model gaat uit van een multiplicatieve causale factor voor elk traject $j$ . De totale effectiviteit $F(c)$ voor een combinatie van trajecten $c$ wordt berekend als het product van de individuele factoren ( $f_j = 1 + \ell_j$ ) en interactietermen ( $\kappa$ ). Een $\kappa > 1$ duidt op synergie, terwijl $\kappa < 1$ duidt op cannibalisatie.
Optimalisatie: Het model lost een optimalisatieprobleem op waarbij de parameters ( $\theta$ $θ$ ) worden geschat door de afwijking tussen de voorspelde lifts en de experimenteel geobserveerde lifts te minimaliseren.
- Regularisatie: Er wordt een ridge penalty toegevoegd op de interactietermen om overfitting te voorkomen en de termen richting neutraliteit ( $\kappa = 1$ ) te dwingen.
- Soft Anchors: De "pure lifts" (gemeten bij gebruikers die slechts één traject ervaren) worden niet als harde restricties gebruikt, maar als "soft anchors" (via een Gaussian prior) om de schatting te stabiliseren zonder de data te forceren.
Monte Carlo Simulatie: Om de onzekerheid te kwantificeren, wordt een Monte Carlo-raamwerk gebruikt. Hierbij worden de overlap-proporties (via een Dirichlet-verdeling) en de geobserveerde lifts geperturbeerd. Dit resulteert in een posterieure verdeling van de parameters, wat robuustheid en betrouwbaarheidsintervallen biedt.

3. Belangrijkste Bijdragen (Key Contributions)

Decompositie van effecten: Het vermogen om de "pure lift" (het werkelijke potentieel van een traject) te scheiden van de geobserveerde marginale lift onder overlap.
Interactie-modellering: Een wiskundig kader dat expliciet rekening houdt met synergieën en cannibalisatie tussen verschillende marketingstromen.
Robuuste schatting: De combinatie van non-lineaire kleinste-kwadratenoptimalisatie met Monte Carlo-simulaties om onzekerheid in zowel gebruikersgedrag als experimentele ruis te adresseren.

4. Resultaten (Results)

De analyse werd toegepast op een actieve gebruikersbasis van ongeveer drie miljoen gebruikers bij Despegar.

Synergieën: Het model identificeerde kleine maar consistente positieve synergieën tussen alle trajecten. De sterkste relatie werd gevonden tussen de Flow- en Offer-trajecten, wat suggereert dat aanbiedingen extra effectief zijn wanneer een gebruiker al zich in een vergevorderd stadium van het aankoopproces bevindt.
Correctie van de Lift: De geschatte "pure lifts" bleken veel groter dan de geobserveerde lifts:
- Offer journey: ~4x groter dan geobserveerd.
- Search journey: ~4,6x groter dan geobserveerd.
- Flow journey: ~2,5x groter dan geobserveerd.
Validatie: De voorspelde globale lift (het effect van het hele systeem) kwam overeen met ongeveer 85% van de experimenteel gemeten globale lift, wat de nauwkeurigheid van het model bevestigt.

5. Betekenis (Significance)

Dit werk biedt een fundamentele oplossing voor een veelvoorkomend probleem in marketing analytics: de onderschatting van de waarde van marketingcampagnes door overlap. Voor bedrijven betekent dit dat ze:

De werkelijke ROI van individuele marketingtrajecten beter kunnen begrijpen.
Betere beslissingen kunnen nemen over de prioritering en budgetallocatie van verschillende marketingstromen.
Een data-efficiënte methode hebben om de effectiviteit van complexe, georkestreerde klantreizen te evalueren zonder de omzet op te offeren aan uitgebreide holdout-tests.