Один и тот же клиент может по-разному отреагировать на разные предложения.

• Скидка 10% не заинтересует его, но бесплатная доставка снимет последнее препятствие к покупке.
• Другому клиенту не нужна скидка: он скорее выберет готовый комплект, который экономит время.
• Третий с высокой вероятностью купит и без дополнительного стимула.

Если всем троим отправить одинаковый промокод, компания получит отклики, но часть скидочного бюджета потратит на покупки, которые состоялись бы и без акции.

В роли предложения может выступать не только физический товар.

• Для интернет-магазина это может быть скидка, подарок, бесплатная доставка, товарный комплект, расширенная гарантия или услуга сборки.
• Для банка — карта, кредитный лимит, вклад или пакет обслуживания.
• Для телекома — тариф, дополнительные гигабайты или семейный пакет.
• Для туристического сервиса — вариант размещения, бесплатный завтрак, повышение категории номера, трансфер или пакет путешествия.
• Для подписочного бизнеса — продолжительность пробного периода, годовой тариф или набор доступных функций.
• Для автодилера — тест-драйв, кредитная программа или предложение по trade-in.

Откликом также не обязательно должна быть оплаченная покупка. В зависимости от задачи модель может прогнозировать клик, добавление в корзину, оформление заявки, бронирование, визит в магазин, активацию купона, переход на другой тариф, продление подписки, повторный заказ или сохранение клиента. Поэтому данная технология применима везде, где бизнес выбирает одно действие из нескольких и может зафиксировать последующую реакцию клиента.

В простейшем варианте модель получает на входе характеристики клиента и конкретного предложения, а на выходе возвращает вероятность целевого действия:
P(отклик | клиент, предложение, контекст)

Например, для одного клиента система может оценить вероятность покупки со скидкой 10% в 42%, с бесплатной доставкой — в 31%, а при предложении готового комплекта — в 18%. Для другого клиента наиболее сильным вариантом окажется комплект, а не скидка. Такие оценки позволяют ранжировать доступные предложения персонально, а не выбирать одну механику для всего сегмента.


Эта таблица показывает и главное ограничение обычного response scoring. У клиента C самая высокая вероятность покупки со скидкой, но без скидки она почти такая же. Предложение повышает ожидаемую конверсию лишь на два процентных пункта и, вероятно, просто уменьшает маржу.

Поэтому зрелая система оценивает не только абсолютную вероятность отклика, но и разницу между двумя сценариями: что произойдёт, если предложение показать, и что произошло бы без него.

Для каждого клиента система в идеале отвечает сразу на четыре вопроса:

1. Насколько вероятно целевое действие без дополнительного воздействия?
2. Как изменится вероятность при каждом доступном предложении?
3. Сколько выручки или маржи принесёт это изменение?
4. Какое действие следует выбрать с учётом бюджета и бизнес-ограничений?

Так прогноз превращается в решение. На выходе компании нужен не просто score, а рекомендация: «показать бесплатную доставку», «предложить пакет услуг», «использовать неденежный бонус» или «не использовать стимул».

Несколько технологий персонализации могут выглядеть похоже, но решают разные задачи.

Модель propensity to buy отвечает на вопрос, совершит ли клиент покупку или другое целевое действие в заданный период. Она помогает найти момент спроса, но ничего не говорит о том, какое предложение изменит решение клиента.

Рекомендательная система оценивает релевантность объектов: какие товары, фильмы, блюда, услуги или направления путешествия наиболее соответствуют интересам пользователя. Её задача — сократить пространство выбора. Она может правильно подобрать товар, но не обязательно определит, нужна ли скидка и какой стимул окажется выгодным.

Response-модель оценивает вероятность отклика на определённое предложение. Она полезна, когда компании нужно выбрать между несколькими скидками, продуктами, пакетами или сервисными преимуществами.

Uplift-модель идёт дальше и прогнозирует дополнительный эффект воздействия. В бинарном случае он записывается как:
Uplift(x) = P(Y=1 | X=x, предложение) − P(Y=1 | X=x, без предложения)

В академической литературе эта величина связана с условным средним эффектом воздействия — CATE. Обзор методов uplift-моделирования дают Floris Devriendt, Darie Moldovan и Wouter Verbeke, а S-, T- и X-learners для оценки неоднородных эффектов систематизированы в работе Künzel и соавторов.

Эти подходы не конкурируют друг с другом и могут работать как единый конвейер:

1. Модель вероятности покупки определяет потенциальный спрос.
2. Рекомендательная система формирует набор подходящих товаров или услуг.
3. Response-модель оценивает реакцию на каждый вариант.
4. Uplift-модель отсеивает воздействия, которые не создают дополнительного результата.
5. Итоговый оптимизатор выбирает действие с максимальной ожидаемой ценностью.

На первом уровне зрелости компания заранее выбирает одно предложение, например бесплатную доставку, и использует модель, чтобы определить получателей. Это уже лучше массовой рассылки: контактов становится меньше, а средний response rate выбранной аудитории растёт.

На втором уровне модель сравнивает несколько вариантов: скидку 5%, скидку 10%, подарок, бесплатную доставку и отсутствие предложения. Для клиента выбирается вариант с наибольшей ожидаемой ценностью. В научной литературе такая постановка называется uplift-моделированием с несколькими воздействиями, или multiple treatments.

Модель деревьев решений для одного и нескольких воздействий описана в работе Rzepakowski и Jaroszewicz, а более общий подход для нескольких типов воздействия и разных видов целевой переменной — в исследовании Zhao, Fang и Simchi-Levi.

На третьем уровне появляется Next Best Offer или более широкая концепция Next Best Action. Система решает не только что предложить, но и когда это сделать, через какой канал и нужно ли обращаться к клиенту вообще.

Выходом может быть товар, услуга, полезный контент, напоминание, звонок менеджера или решение не инициировать контакт.

В fashion-ритейле модель может выбирать между персональной скидкой, ранним доступом к коллекции, подборкой готовых образов и бесплатной доставкой. Для клиента, который регулярно покупает новинки по полной цене, скидка может быть лишней. Для клиента с высокой ценовой чувствительностью она, наоборот, станет решающим фактором.

В DIY и товарах для дома предложением может быть не отдельный SKU, а решение задачи: комплект материалов для ремонта, доставка крупногабаритного товара, распил, монтаж или консультация специалиста. Целевым действием может быть не только заказ, но и расчёт проекта, запись на услугу или посещение магазина.

Для бытовой техники модель может выбирать между самим устройством, комплектом аксессуаров, расширенной гарантией, trade-in и сервисным обслуживанием. Клиенту, который уже изучает конкретную модель, может быть полезнее предложение быстрой доставки, чем скидка на другой товар.

В travel предложение формируется из нескольких компонентов. Одному путешественнику важна цена, другому — бесплатная отмена, третьему — завтрак, трансфер или повышение категории номера. Здесь модель должна учитывать маршрут, даты, состав поездки, глубину бронирования и сезонность.

В финансовых услугах объектом выбора становится карта, кредит, вклад, страховка или пакет обслуживания. При этом вероятность отклика должна рассматриваться вместе с риском, ожидаемой доходностью и нормативными ограничениями.

В телекоме модель выбирает тариф, пакет трафика, дополнительные сервисы или удерживающее предложение. Для клиента с риском оттока можно оценивать не просто вероятность принятия скидки, а изменение вероятности сохранения договора относительно отсутствия контакта.

В подписочном продукте предложением может быть продолжительность бесплатного периода.

В большом полевом эксперименте с 337 724 пользователями сравнивались пробные периоды длительностью 7, 14 и 30 дней. Единая семидневная политика дала на 5,59% больше подписок, чем прежний 30-дневный вариант, после чего авторы сравнили персонализированные политики назначения срока и проверили их влияние на долгосрочное удержание и прибыльность.

Это хороший пример того, что «предложение» может быть параметром услуги, а не товаром или скидкой.

Качество решения зависит не только от объёма данных. Важно, чтобы данные описывали клиента, само предложение, момент контакта и последующий результат.

Профиль клиента включает регион, стадию жизненного цикла, статус программы лояльности, давность регистрации и доступные каналы.
Транзакционная история описывает частоту покупок, средний чек, категории, маржу, возвраты, использование промокодов и интервалы между заказами.
Цифровое поведение добавляет просмотры, поисковые запросы, фильтры, избранное, корзину, реакцию на контент и незавершённые сценарии.
Особенно важна история предыдущих коммуникационных воздействий: какие предложения клиент видел, когда и в каком канале, воспользовался ли ими, какой размер скидки получал и сколько контактов было перед результатом. Без этой информации модель рискует принять активность постоянного покупателя за результат кампании.

Характеристики предложения нужны не меньше клиентских. Для товара это категория, бренд, цена, маржа, сезонность, наличие и набор атрибутов.
Для скидки — размер, минимальная сумма заказа, срок действия и ограничения.
Для сервиса — состав пакета, продолжительность, стоимость для компании и ожидаемая ценность для клиента.

Контекст описывает текущую ситуацию: устройство, канал, время, географию, источник визита, содержание корзины, доступность товара и недавние события. Один и тот же клиент может по-разному реагировать на предложение в начале исследования и в момент, когда уже сравнил несколько вариантов и готов завершить заказ.

Чтобы связать online и offline, компании требуется единый идентификатор либо вероятностное сопоставление событий. Покупка в магазине после просмотра предложения на сайте не должна ошибочно считаться отсутствием отклика.

В одном из проектов связывание CDP данных (включая офлайн покупки) и онлайн поведения (сайт и приложения) происходило по следующей схеме.

Единицей наблюдения становится не просто клиент, а сочетание:
клиент × предложение × момент показа × контекст × результат

Для каждой строки фиксируются признаки, доступные до принятия решения, факт показа, канал, стоимость воздействия и результат в заранее определённом окне. Горизонт зависит от сценария: несколько минут для предложения в корзине, несколько дней для FMCG, несколько недель для мебели или техники и несколько месяцев для дорогой услуги.

Определение окна — часть бизнес-постановки. Если оно слишком короткое, модель пропустит отложенные покупки. Если слишком длинное, припишет предложению события, которые с ним не связаны. Для разных целей могут использоваться отдельные горизонты: клик в течение суток, покупка в течение семи дней, повторный заказ в течение 90 дней.

Отсутствие покупки нельзя автоматически трактовать как отсутствие интереса. Товар мог закончиться, доставка могла быть недоступна в регионе, клиент мог купить в офлайне или получить конкурирующую коммуникацию. Поэтому в обучающей выборке нужно хранить наличие, правила допустимости предложения и другие воздействия.

Особую опасность представляет историческая политика маркетинга. Если большие скидки раньше выдавались преимущественно самым ценным клиентам, обычная predictive-модель может решить, что скидка является причиной их высокой выручки. На деле эти клиенты могли покупать независимо от неё. Обзор применения causal ML в маркетинге показывает, почему корреляцию между купоном и продажей нельзя автоматически интерпретировать как эффект купона: How Causal Machine Learning Can Leverage Marketing Strategies.

Самый надёжный источник обучающих данных — рандомизированный эксперимент, в котором допустимые клиенты случайно распределяются между вариантами предложения и контролем.

Исторические наблюдения также можно использовать, но тогда необходимо корректировать смещение назначения: propensity score, inverse propensity weighting, doubly robust estimators и другие методы причинного анализа работают только при выполнении соответствующих допущений.

Предложение с самым высоким response score может быть слишком дорогим. Скидка 20% способна дать больше заказов, чем скидка 10%, но разрушить маржу. Подарок может увеличить конверсию, но оказаться невыгодным для низкого чека. Бесплатная доставка может работать только в компактной географии.

Поэтому вероятность необходимо переводить в деньги:
Expected Value = P(отклик) × ожидаемая маржа − стоимость предложения − стоимость контакта

Для причинной модели используется дополнительная ценность:
Incremental Value = Uplift × ожидаемая маржа − дополнительные затраты

В расчёт также могут входить возвраты, риск, стоимость выполнения услуги и долгосрочная ценность клиента. Целевая функция выбирается под экономику бизнеса: число заказов, выручку, валовую прибыль, LTV, предотвращённый отток или сочетание показателей.

Поверх модели работает оптимизатор. Он учитывает общий промобюджет, минимальную маржу, наличие, пропускную способность сервиса, лимит подарков, контактную политику и правила допустимости. Предложение, которое оптимально для одного клиента изолированно, может не попасть в кампанию, если ограниченный ресурс приносит больший результат в другом месте.

Исследование Response Transformation and Profit Decomposition for Revenue Uplift Modeling показывает, почему оптимизация отклика или даже выручки не всегда совпадает с максимизацией дополнительной прибыли. Для бизнеса это принципиально: качественная модель должна оцениваться на той функции ценности, которой компания действительно управляет.

Логику uplift удобно объяснять через четыре типа клиентов.

«Убеждаемые» совершают целевое действие благодаря предложению. Именно на них приходится настоящий дополнительный результат кампании.

«Самостоятельные покупатели» совершают действие и без стимула. Они могут показывать очень высокий response rate, поэтому обычная predictive-модель часто ставит их первыми. Но предоставленная им скидка в основном субсидирует уже ожидаемую покупку.

«Не готовые» не откликаются ни с предложением, ни без него. Контакт и скидка в этом случае создают расходы без результата.

«Негативно реагирующие» могут уменьшить активность из-за воздействия. Частые сообщения раздражают, слишком большая скидка вызывает недоверие, а удерживающий звонок напоминает клиенту о возможности отказаться от услуги.

В реальных данных нельзя наблюдать оба исхода для одного человека одновременно. Клиент либо получил предложение, либо нет. Поэтому модель оценивает среднюю разницу для клиентов с похожими признаками, а достоверность результата подтверждается на независимой контрольной выборке.

В исследовании Booking.com рассматривалось бесплатное "преимущество/бонус", стимулирующее бронирование. Первичный A/B-тест показал положительный эффект на число бронирований, но отрицательный ROI: массовая выдача создавала слишком большие затраты.

Авторы построили uplift-модель и добавили ограничение по ROI. В офлайн-оценке разработанный метод сохранил 79,7% максимально возможного эффекта, показывая предложение примерно 31,4% аудитории. Затем решение проверили в новом рандомизированном эксперименте. Массовая группа снова осталась с отрицательным ROI, тогда как персонализированная группа завершила эксперимент с ROI 0,36 и получила 66% эффекта массовой выдачи. Динамически калибруемая политика показывала преимущество 47% аудитории, сохраняла в среднем 74% эффекта и завершила эксперимент с ROI 0,24.

Кейс важен не только результатом. Он показывает правильную постановку: компания не пыталась максимизировать вероятность бронирования любой ценой, а искала аудиторию, в которой дополнительное бронирование компенсирует стоимость "преимущества/бонуса".

Крупный американский интернет-магазин товаров для дома ежедневно отправлял клиентам купоны на скидку 10%, 12%, 15%, 17% или 20%. До внедрения модельного подхода размер скидки определялся грубой кластеризацией.

Новая система прогнозировала вероятность покупки клиента при каждом уровне скидки и выбирала вариант с учётом промобюджета. В A/B-тесте в мае–июне 2024 года участвовало 20 млн клиентов, случайно разделённых на тест и контроль. Авторы сообщают о росте средней выручки на пользователя на 4,5% относительно прежнего алгоритма. После эксперимента решение стало основной системой распределения персональных промо.

Этот кейс одновременно показывает риск краткосрочной оптимизации. Если клиент регулярно видит высокие скидки, они могут стать для него новой референтной ценой. Поэтому авторы отдельно моделируют память о предыдущих предложениях и долгосрочный эффект последовательности скидок.

Meituan Bike использует признаки клиентов и продукта, чтобы прогнозировать конверсию при разных номиналах купона. Затем оптимизатор выбирает размер купона в пределах маркетингового бюджета. Решение должно возвращаться менее чем за 50 миллисекунд, а управляющий контур корректирует распределение при изменении фактического трафика.

По данным авторов, к маю 2024 года система использовалась для распределения купонов более чем 100 млн пользователей в 110 городах Китая и принесла дополнительные 8 млн юаней годовой прибыли. Этот пример показывает, что производственная система состоит не только из ML-модели. В неё входят калибровка вероятностей, оптимизация, контроль бюджета и онлайн-инфраструктура.

Немедленная конверсия отражает только часть эффекта. Скидка может ускорить покупку, которая и так произошла бы через неделю. Купон может увеличить первый заказ, но снизить вероятность следующей покупки без скидки. Бесплатный пробный период способен привлечь больше пользователей, но изменить качество платной аудитории.

Поэтому зрелая система оценивает несколько исходов:

• немедленный отклик;
• дополнительную выручку и прибыль в промопериоде;
• повторную покупку;
• удержание;
• изменение среднего чека;
• использование скидок в будущем;
• долгосрочный LTV.

В работе исследователей Mercari модель выбирает промопредложения с учётом как прямого эффекта во время кампании, так и последующего поведения. Политика оптимизирует отложенный эффект при ограниченном бюджете и проверяется на данных рандомизированных экспериментов. Авторы сообщают о статистически значимом преимуществе над базовыми подходами, но не раскрывают в аннотации абсолютные бизнес-показатели.

Для обычной response-модели полезны ROC-AUC, PR-AUC, log loss, precision@K и lift по децилям. Но для бизнес-использования особенно важна калибровка: модель должна не только правильно ранжировать клиентов, но и выдавать реалистичные вероятности, иначе расчёт ожидаемой прибыли и бюджетов станет ненадёжным.

Качество выбора между несколькими предложениями проверяется по ожидаемому результату политики: какой средний отклик, выручку или прибыль получила бы стратегия назначения. На случайно собранных данных это можно оценивать напрямую или с помощью inverse propensity scoring и doubly robust estimators.

Для uplift-моделей используются uplift@K, Qini curve, Qini coefficient и AUUC. Они показывают, насколько хорошо модель ранжирует клиентов по дополнительному эффекту. Однако хороший AUUC ещё не гарантирует прибыль: он не всегда учитывает разную стоимость воздействий и маржу заказов.

Финальное решение оценивается бизнес-метриками:

• incremental conversion — дополнительная конверсия относительно контроля;
• incremental revenue — дополнительная выручка;
• incremental profit — дополнительная прибыль после стоимости стимула;
• ROI или ROMI;
• стоимость дополнительного заказа;
• доля скидок, выданных клиентам, которые купили бы самостоятельно;
• контактная нагрузка;
• изменение повторных покупок и LTV.

Главная метрика должна соответствовать цели модели. Если система оптимизирует клики, она научится получать клики. Если бизнесу нужна дополнительная прибыль, именно она должна определять выбор политики и итог эксперимента.

Система начинается с CRM, CDP, сайта, приложения, кассовых и транзакционных данных. На их основе рассчитываются признаки клиента, предложения и контекста. Модель формирует вероятность отклика или ожидаемый причинный эффект. Оптимизатор применяет бизнес-ограничения. Решение передаётся в сайт, мобильное приложение, CRM-платформу, рекламный кабинет или рабочее место сотрудника.

В пакетном режиме scores пересчитываются ежедневно или еженедельно и выгружаются в CRM:

Начинать разумно не с real-time Next Best Action, а с одного измеримого сценария. Подойдёт предложение с понятной стоимостью, достаточной частотой и возможностью выделить контроль: бесплатная доставка, бонус, продление подписки или один из нескольких купонов.

На первом этапе компания формулирует целевое действие и горизонт, собирает витрину «клиент — предложение — показ — результат» и строит прозрачную базовую response-модель. Её сравнивают с текущими правилами в эксперименте.

На втором этапе добавляется несколько вариантов
предложения и единая модель выбора. В качестве самостоятельного варианта обязательно рассматривается отсутствие стимула.

На третьем этапе компания регулярно сохраняет контрольные группы и переходит от прогнозирования отклика к uplift. Это позволяет отделить дополнительный эффект от естественного спроса.

На четвёртом этапе целевая функция переводится в выручку или прибыль. Оптимизатор начинает учитывать бюджет, маржу, остатки, ограничения каналов и контактную политику.

На пятом этапе решение переносится ближе к реальному времени, добавляются текущая сессия, состав корзины и доступность. Система превращается в Next Best Offer или Next Best Action.

На шестом этапе оптимизация охватывает последовательность контактов и долгосрочный LTV. Модель учитывает, что сегодняшняя скидка меняет реакцию клиента на будущие предложения.

Технология не компенсирует отсутствие истории показов. Если компания знает только покупки, но не знает, какие предложения видел клиент, невозможно надёжно определить реакцию на конкретное воздействие.

Модель будет нестабильной, если каждое предложение получало слишком мало показов или маркетинг постоянно меняет механику, не фиксируя её параметры. Частично проблему решает единая модель с признаками предложения, но для оценки эффекта всё равно требуется вариативность данных.

Результат окажется завышенным, если обучение и оценка проводятся на аудитории, которую маркетологи уже отбирали по собственным правилам, а этот отбор не учитывается. Сильные покупатели будут выглядеть «чувствительными» к скидке только потому, что скидки чаще показывались именно им.

Даже хорошая модель не создаст ценности, если CRM применяет к её аудитории дополнительные массовые кампании, предложения отсутствуют в нужном канале или бизнес не может выполнить обещанную услугу.

Наконец, индивидуальные условия могут вызывать вопросы справедливости и доверия. Компания должна заранее определить допустимые признаки, правила коммуникации и ситуации, в которых различие предложений можно объяснить клиенту. Особенно осторожно следует обращаться с ценой и значительными персональными скидками.

В заключение, поймем что меняется для бизнеса

Без модели обычно компания выбирает рекламную кампанию, а затем ищет для неё аудиторию. С моделью логика разворачивается: для каждого клиента уже скоринговая система выбирает действие, способное создать наибольшую дополнительную ценность (uplift).

Это позволяет сократить неэффективные скидки, сохранить маржу, повысить дополнительную конверсию и использовать сервисные преимущества там, где они действительно влияют на решение. Персонализация начинает работать не только с товарами, но и с пакетами, услугами, тарифами, условиями доставки, пробными периодами и способами взаимодействия.

Зрелая система не обязана каждый раз что-то продавать. Иногда её наиболее ценное решение — показать релевантный продукт без скидки, выбрать неденежный бонус, перенести контакт на другой момент или не вмешиваться.

Поэтому прогноз вероятности отклика — это не просто модель для рассылок. Это механизм принятия решений между клиентом, предложением и экономикой бизнеса.