Inferencia Causal y Uplift Modeling: Optimizando el ROI#
Objetivos del Caso de Estudio#
Perspectiva de Negocio: Dejar de predecir quién va a comprar para empezar a predecir quién va a comprar SÓLO SI le damos un incentivo. Maximizar el Retorno de Inversión (ROI) de las campañas de marketing.
Perspectiva de Ingeniería: Comprender el Problema Fundamental de la Inferencia Causal (la imposibilidad de observar contrafactuales) y cómo los A/B Tests (RCTs) nos permiten sortearlo.
Implementación: Programar un T-Learner (Two-Model Approach) desde cero utilizando algoritmos clásicos (XGBoost/Random Forest) para calcular el Treatment Effect individual.
Evaluación Avanzada: Construir e interpretar una Curva de Ganancia Acumulada (Cumulative Uplift Curve) para evaluar modelos causales en producción.
Prerrequisitos#
Entendimiento de modelos de clasificación probabilística.
Calibración y Curvas de Ganancia
Configuración del Entorno#
1. Introducción: El Engaño de la Predicción Tradicional#
Imaginemos que trabajamos en un E-Commerce. El equipo de Marketing tiene presupuesto para enviar un cupón de $10 de descuento a 5.000 clientes. Y nos piden un modelo de Machine Learning para elegir a quién enviárselo.
El enfoque tradicional (Propensity Modeling) es entrenar un XGBoost para predecir la probabilidad de que un cliente compre, y enviarle el cupón a los que tienen mayor probabilidad.
⚠️ Error Multimillonario:
Si le enviamos un descuento a alguien que ya iba a comprar de todas formas, no generamos una venta nueva; acabamos de perder $10. El Machine Learning tradicional predice el resultado (la compra), pero ignora la causalidad (¿compró por culpa del cupón?).
Los 4 Cuadrantes del Marketing (La Matriz Causal)#
En la inferencia causal, dividimos a los clientes en 4 grupos latentes (inobservables en la vida real):
Persuadables (Los que queremos): Compran SI reciben el cupón. No compran si no lo reciben. (El cupón causa la venta).
Sure Things (Causas Seguras): Compran reciban o no el cupón. (Darles el cupón es tirar dinero).
Lost Causes (Causas Perdidas): No compran nunca, con o sin cupón. (Darles el cupón es tirar dinero).
Sleeping Dogs (Perros Dormidos): ¡El caso más peligroso! Compran si NO reciben el cupón. Si lo enviamos, se molestan (ej. les recordamos que están suscritos a un servicio que no usan) y cancelan. (El cupón causa la pérdida).
El Uplift Modeling es la rama de la IA que busca identificar exclusivamente a los Persuadables.
2. El Laboratorio: Generación de Datos Causales#
El “Problema Fundamental de la Inferencia Causal” es que no podemos observar a la misma persona en dos universos paralelos al mismo tiempo (con cupón y sin cupón).
Para este laboratorio, somos (de nuevo) los “Dioses” de los datos. Así que generamos un dataset sintético donde sí conocemos el universo paralelo (el contrafactual) para poder medir si nuestro modelo realmente funciona.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier
np.random.seed(42)
n_samples = 20000
# 1. Generamos características de los clientes
edad = np.random.uniform(18, 65, n_samples)
ingreso = np.random.normal(50000, 15000, n_samples)
compras_previas = np.random.poisson(3, n_samples)
X = pd.DataFrame({'edad': edad, 'ingreso': ingreso, 'compras_previas': compras_previas})
# 2. Probabilidad Base (Control): ~25% en promedio.
# Los de altos ingresos y muchas compras previas tienen alta prob base (Sure Things)
logit_control = -3.5 + (ingreso / 20000) + (compras_previas * 0.3)
prob_control = 1 / (1 + np.exp(-logit_control))
# 3. Efecto Causal (Uplift Real):
efecto_cupon = np.zeros(n_samples)
# Persuadables: Jóvenes (+35% de probabilidad si reciben cupón)
efecto_cupon += (edad < 35) * 0.35
# Sleeping Dogs: Clientes muy frecuentes se molestan con el spam (-25% de probabilidad)
efecto_cupon -= (compras_previas >= 5) * 0.25
# Sure Things: A los de ingresos muy altos el cupón no les cambia nada (0% uplift)
efecto_cupon[(ingreso > 65000)] = 0.0
# Probabilidad final con tratamiento
prob_tratamiento = np.clip(prob_control + efecto_cupon, 0, 1)
# Recalculamos el uplift real exacto post-clipping
uplift_real_oculto = prob_tratamiento - prob_control
# 4. Asignamos el Tratamiento (A/B Test Aleatorio 50/50)
tratamiento = np.random.binomial(1, 0.5, n_samples)
# 5. Observamos el resultado final (y)
y_observado = np.where(tratamiento == 1,
np.random.binomial(1, prob_tratamiento),
np.random.binomial(1, prob_control))
df = X.copy()
df['tratamiento'] = tratamiento
df['compra'] = y_observado
df['uplift_real_oculto'] = uplift_real_oculto # El Ground Truth
print(f"Total de clientes: {len(df)}")
print(f"Tasa de compra Grupo Control: {df[df['tratamiento']==0]['compra'].mean()*100:.2f}%")
print(f"Tasa de compra Grupo Tratamiento: {df[df['tratamiento']==1]['compra'].mean()*100:.2f}%")
print(f"Uplift Promedio Global (ATE): {(df[df['tratamiento']==1]['compra'].mean() - df[df['tratamiento']==0]['compra'].mean())*100:.2f}%")
# División Train/Test
df_train, df_test = train_test_split(df, test_size=0.3, random_state=42)
Total de clientes: 20000
Tasa de compra Grupo Control: 47.57%
Tasa de compra Grupo Tratamiento: 54.02%
Uplift Promedio Global (ATE): 6.45%
El A/B Test nos dice que el cupón aumenta las ventas un ~6,5% en promedio. Pero enviar el cupón a todos es ineficiente. Queremos encontrar a los individuos específicos donde el efecto es del +35% (Persuadables) y evitar a los del -15% (Sleeping Dogs).
3. El Enfoque Tradicional (Mala Práctica)#
Veamos qué pasa si un Científico de Datos tradicional entrena un modelo para predecir simplemente compra == 1, ignorando la causalidad.
# Entrenamos un modelo para predecir la COMPRA
modelo_tradicional = XGBClassifier(random_state=42, eval_metric='logloss')
# Usamos solo las features, ignoramos la columna de tratamiento
modelo_tradicional.fit(df_train[['edad', 'ingreso', 'compras_previas']], df_train['compra'])
# Predecimos la probabilidad de compra en el Test Set
df_test = df_test.copy()
df_test['prob_compra_tradicional'] = modelo_tradicional.predict_proba(df_test[['edad', 'ingreso', 'compras_previas']])[:, 1]
# Si el equipo de marketing elige a los 1000 clientes con mayor probabilidad de compra:
top_1000_tradicional = df_test.nlargest(1000, 'prob_compra_tradicional')
print("--- Perfil de los clientes seleccionados por el Modelo Tradicional ---")
print(f"Probabilidad media de compra: {top_1000_tradicional['prob_compra_tradicional'].mean()*100:.2f}%")
print(f"Uplift Real (Efecto del cupón en ellos): {top_1000_tradicional['uplift_real_oculto'].mean()*100:.2f}%")
--- Perfil de los clientes seleccionados por el Modelo Tradicional ---
Probabilidad media de compra: 83.46%
Uplift Real (Efecto del cupón en ellos): 9.79%
Análisis del Desastre:
El modelo tradicional seleccionó a clientes con una altísima probabilidad de compra (cercana al 83%). ¡Pero su Uplift Real es de apenas ~9.8%! (Apenas unos puntos por encima del promedio global de la campaña).
¿Qué pasó? El modelo seleccionó mayoritariamente a los Sure Things (gente de altos ingresos que ya iba a comprar). Si les enviamos el cupón de $10 a estos clientes, simplemente les estamos regalando dinero por una compra que iban a hacer de todas formas. El ROI de esta campaña será bajísimo porque estamos subsidiando ventas orgánicas.
4. Uplift Modeling: El Enfoque T-Learner (Two-Model)#
Para predecir la causalidad, necesitamos predecir la diferencia entre dos universos. El enfoque más intuitivo y robusto en ingeniería es el T-Learner (Two-Learner).
Entrenamos un Modelo \(M_T\) usando solo a los clientes que recibieron el cupón (
tratamiento == 1).Entrenamos un Modelo \(M_C\) usando solo a los clientes que NO recibieron el cupón (
tratamiento == 0).Para un cliente nuevo, le pedimos a ambos modelos que predigan su probabilidad.
Uplift Score = \(M_T(x) - M_C(x)\)
# 1. Separamos los datos de entrenamiento por tratamiento
train_tratados = df_train[df_train['tratamiento'] == 1]
train_control = df_train[df_train['tratamiento'] == 0]
features = ['edad', 'ingreso', 'compras_previas']
# 2. Entrenamos los dos modelos
modelo_T = XGBClassifier(random_state=42, eval_metric='logloss')
modelo_T.fit(train_tratados[features], train_tratados['compra'])
modelo_C = XGBClassifier(random_state=42, eval_metric='logloss')
modelo_C.fit(train_control[features], train_control['compra'])
# 3. Calculamos el Uplift Score en el Test Set
prob_si_tratado = modelo_T.predict_proba(df_test[features])[:, 1]
prob_si_control = modelo_C.predict_proba(df_test[features])[:, 1]
df_test['uplift_score_predicho'] = prob_si_tratado - prob_si_control
# Si el equipo de marketing elige a los 1000 clientes con mayor UPLIFT:
top_1000_uplift = df_test.nlargest(1000, 'uplift_score_predicho')
print("--- Perfil de los clientes seleccionados por el T-Learner ---")
print(f"Uplift Real (Efecto del cupón en ellos): {top_1000_uplift['uplift_real_oculto'].mean()*100:.2f}%")
--- Perfil de los clientes seleccionados por el T-Learner ---
Uplift Real (Efecto del cupón en ellos): 27.52%
El Triunfo de la Ingeniería:
¡El T-Learner seleccionó a un grupo de clientes donde el cupón genera casi un +28% de incremento real en ventas! (Casi triplicando la efectividad del modelo tradicional). El modelo ignoró a los ricos y a los compradores frecuentes, y se enfocó exclusivamente en los jóvenes de ingresos medios: los verdaderos Persuadables. Hemos optimizado el presupuesto al máximo.
5. Evaluación del Negocio: La Curva Qini (Uplift Curve)#
En la vida real, no tenemos la columna uplift_real_oculto para verificar si nuestro modelo funciona. ¿Cómo evaluamos un modelo causal en producción?
Utilizamos la Curva de Ganancia Acumulada de Uplift (Qini Curve). La lógica es:
Ordenamos a todos los clientes del Test Set de mayor a menor
uplift_score_predicho.Vamos tomando deciles (el top 10%, top 20%, etc.).
En cada decil, miramos cuántos compraron en el grupo que casualmente tenía el cupón, y le restamos los que compraron en el grupo que casualmente no lo tenía.
Si el modelo es bueno, los primeros deciles tendrán una diferencia enorme a favor del tratamiento.
Vamos a programar esta curva desde cero para entender la matemática:
def plot_uplift_curve(df, score_col, treatment_col, target_col):
# Ordenamos de mayor a menor score
df_sorted = df.sort_values(by=score_col, ascending=False).reset_index(drop=True)
# Calculamos conversiones acumuladas
df_sorted['tratados_acum'] = df_sorted[treatment_col].cumsum()
df_sorted['control_acum'] = (~df_sorted[treatment_col].astype(bool)).cumsum()
df_sorted['compras_tratados_acum'] = (df_sorted[target_col] * df_sorted[treatment_col]).cumsum()
df_sorted['compras_control_acum'] = (df_sorted[target_col] * (~df_sorted[treatment_col].astype(bool))).cumsum()
# Evitamos división por cero
df_sorted['tasa_tratados'] = df_sorted['compras_tratados_acum'] / np.maximum(df_sorted['tratados_acum'], 1)
df_sorted['tasa_control'] = df_sorted['compras_control_acum'] / np.maximum(df_sorted['control_acum'], 1)
# Uplift Acumulado = (Tasa Tratados - Tasa Control) * Total de personas hasta ese punto
df_sorted['uplift_acumulado'] = (df_sorted['tasa_tratados'] - df_sorted['tasa_control']) * (df_sorted.index + 1)
# Curva Aleatoria (Baseline sin modelo)
uplift_total = df_sorted['uplift_acumulado'].iloc[-1]
random_curve = np.linspace(0, uplift_total, len(df_sorted))
# Graficamos
plt.figure(figsize=(10, 6))
plt.plot(df_sorted.index / len(df_sorted) * 100, df_sorted['uplift_acumulado'], label='Modelo Uplift (T-Learner)', color='teal', linewidth=2.5)
plt.plot(df_sorted.index / len(df_sorted) * 100, random_curve, label='Envío Aleatorio (Sin Modelo)', color='gray', linestyle='--')
plt.title("Curva de Uplift Acumulado (Qini Curve)", fontsize=14)
plt.xlabel("Porcentaje de Clientes Contactados (%)")
plt.ylabel("Ventas Incrementales (Causadas por el Cupón)")
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()
# Evaluamos nuestro T-Learner
plot_uplift_curve(df_test, 'uplift_score_predicho', 'tratamiento', 'compra')
Análisis: Leyendo la Curva Qini#
La Línea Gris (Aleatoria): Si enviamos cupones al azar, las ventas incrementales suben de forma lineal hasta llegar a unas
~300ventas extra al contactar a toda la base.La Línea Verde (T-Learner): La línea verde del T-Learner sube drásticamente al principio. Esto significa que contactando solo al
~50%de la base de datos (los que tienen mayor Uplift Score), logramos el pico máximo de ventas incrementales (superando las450ventas extra).La Caída al Final (Sleeping Dogs): Observar cómo la línea verde cae abruptamente si seguimos contactando clientes más allá del
60%de la base. ¡Esos son los Sleeping Dogs! El modelo los dejó para el final porque sabía matemáticamente que enviarles el cupón destruiría ventas.
Conclusión de Negocio: Si la empresa contactara al 100% de la base (gastando el doble de dinero en marketing), obtendría menos ventas totales (~300) que si contactara solo a la mitad de la base guiada por el modelo (~450). ¡El Uplift Modeling acaba de salvar la rentabilidad del trimestre!
6. Conclusión y Matriz de Decisión#
El Uplift Modeling es el puente definitivo entre el Machine Learning y el Retorno de Inversión (ROI) financiero.
Escenario de Negocio |
Enfoque Recomendado |
Justificación |
|---|---|---|
Detección de Fraude / Diagnóstico Médico |
Machine Learning Tradicional |
Queremos predecir un estado latente (Fraude/Enfermedad). No estamos aplicando un “tratamiento” para cambiar su comportamiento. |
Campañas de Retención (Churn) / Descuentos |
Uplift Modeling (T-Learner) |
Queremos cambiar el comportamiento del usuario. Contactar a un usuario que se iba a quedar de todas formas (Sure Thing) es un desperdicio de recursos. |
Optimización de Precios (Pricing) |
Inferencia Causal Continua |
Evaluar la elasticidad del precio. Requiere modelos causales más avanzados (ej. Double Machine Learning). |
Regla de Oro: Para entrenar un modelo de Uplift, necesitamos datos de un A/B Test previo (Randomized Controlled Trial). Si los datos históricos están sesgados (ej. marketing solo le dio cupones a los clientes ricos en el pasado), el T-Learner aprenderá ese sesgo y fallará. La aleatoriedad en la recolección de datos es innegociable.
Referencias#
Gutierrez, P., & Gérardy, J. Y. (2016). Causal inference and uplift modelling: A review of the literature. JMLR: Workshop and Conference Proceedings 67 (pp. 1-13).
Radcliffe, N. J., & Surry, P. D. (2011). Real-world uplift modelling with significance-based uplift trees. White Paper TR-2011-1, Stochastic Solutions.