L'uplift quantifie l'impact d'une action (marketing, traitement médical) sur le comportement d'un individu. La prédiction de l'uplift repose sur l'hypothèse que les groupes ciblés et le groupe de contrôle sont équivalents. Cependant, des clients sont susceptibles d'être ciblés en raison de leur comportement passé, ce qui introduit un biais et fausse l'estimation de l'uplift. Ce problème est encore plus prégnant dans le cas du multi-traitement, comme le contexte des moteurs d'offres, c'est-à-dire lorsque plusieurs actions sont possibles pour un individu.
Je présenterai l'article que j'ai soumis à EGC, un protocole d’évaluation de l’uplift multi-traitement dans le cas du biais de non-random assignment, afin d'évaluer les performances des principales méthodes d’uplift multi-traitement de la littérature. Je parlerai également des perpspectives pour la suite de ma thèse.
