はじめに

Orbitics株式会社データサイエンス部の上野です。
アップリフトモデリングは、マーケティング施策の効果を最大化するための強力な分析手法です。A/Bテストでは捉えきれない、顧客の真の行動変容を予測し、介入によって最も反応する顧客層を特定します。本記事では、アップリフトモデリングの基本概念から、マーケティングにおける具体的な活用事例、そして実装のポイントまでを解説します。

1. アップリフトモデリングとは

アップリフトモデリングは、特定の介入（マーケティング施策など）が顧客の行動に与える「純粋な追加効果（アップリフト）」を予測する機械学習手法です。

1.1. なぜアップリフトモデリングが必要か？

従来の予測モデル（例：購買予測モデル）は、単に顧客が購買するかどうかを予測します。しかし、アップリフトモデリングは、「介入によって購買行動が引き起こされるか」という、より因果関係に焦点を当てた予測を行います。

例えば、ある顧客が元々購買意欲が高い場合、マーケティング施策を行わなくても購買する可能性があります。この顧客に施策を行っても、施策による「追加効果」は小さいと言えます。アップリフトモデリングは、このような顧客ではなく、施策によって初めて購買行動を起こす顧客（または購買頻度を増やす顧客）を特定することを目指します [1]。

1.2. アップリフトモデリングの分類

アップリフトモデリングは、大きく以下の4つのタイプに分類できます（図１）。

Sure Things: 介入の有無にかかわらず行動する層
Persuadables: 介入によって行動が促進される層（ターゲット）
Sleeping Dogs: 介入によって行動が抑制される層
Lost Causes: 介入の有無にかかわらず行動しない層

アップリフトモデリングの主な目的は、Persuadables層を特定し、彼らに優先的にリソースを配分することです。

図１　アップリフトモデリングの分類

2. マーケティングにおける活用事例

アップリフトモデリングは、限定されたリソースを最大限に活用し、ROI（投資収益率）を向上させるために様々なマーケティングシナリオで活用されます。

2.1. 顧客ターゲティングの最適化

特定のキャンペーンやプロモーションにおいて、最も反応する可能性のある顧客層を特定し、メッセージをパーソナライズすることで、キャンペーン効果を最大化します。

例：Eメールマーケティング
新商品のプロモーションメールを送る際、アップリフトモデリングを用いて「メールを送ることで購買行動が促される顧客」を特定します。これにより、すでに購買意欲が高い顧客や、逆にメールを送ると購買意欲が失われる顧客への無駄なアプローチを削減し、効果的なターゲット顧客に絞ってメールを配信できます。

2.2. 離反防止策の最適化

顧客がサービスを解約するのを防ぐための施策（例：割引クーポンの配布、特別なサポートの提供）を、最も効果が期待できる顧客に限定して実施します。

例：通信サービスの解約防止
顧客の解約を予測するだけでなく、「特別なオファーを提供することで解約を思いとどまる顧客」をアップリフトモデリングで特定します。これにより、すでに解約しないと決めている顧客や、どんなオファーを提示しても解約してしまう顧客に無駄なコストをかけずに済み、真に施策が有効な顧客に限定して対応できます。

2.3. クロスセル/アップセルの推進

既存顧客に対して、追加の商品やサービスの購入を促す際、最も響く顧客に適切なタイミングで提案します。

例：金融商品の推奨
既存顧客に新たな金融商品を推奨する際、「推奨することでその商品を購入する可能性が高まる顧客」を特定します。これにより、すでに他の商品に興味がある顧客や、どんなに推奨しても購入しない顧客への営業労力を削減し、効果的な顧客に注力できます。

2.4. 割引施策の最適化

割引やクーポン配布は売上向上に寄与する一方で、利益を圧迫する可能性もあります。アップリフトモデリングは、割引が売上に最も寄与する顧客層を特定し、無駄な割引を防ぎます。

例：小売業のクーポン配布
「クーポンを配布することで初めて商品を購入する、または購入量が増える顧客」を特定します。これにより、クーポンがなくても購入する顧客に無駄な割引を提供したり、クーポンが全く効果のない顧客に配布したりすることを避け、真にクーポンの効果が期待できる顧客に限定して配布することで、利益率を最大化します。

3. アップリフトモデリングの実装アプローチ

アップリフトモデリングの実装には、主に以下の3つのアプローチがあります。

3.1. 2つの独立したモデルを使用するアプローチ (Two-model Approach)

介入群と対照群それぞれに対して、目的変数を予測するモデルを個別に構築し、その予測結果の差をアップリフトと見なします。

手順:
1. 介入群のデータを用いて、目的変数（例：購買有無）を予測するモデル $M_T$ を構築する。
2. 対照群のデータを用いて、目的変数（例：購買有無）を予測するモデル $M_C$ を構築する。
3. 新しい顧客データ $x$ に対し、$M_T(x)$ と $M_C(x)$ を計算し、その差 $M_T(x) - M_C(x)$ をアップリフトスコアとする。
利点: 実装が比較的容易。
課題: $M_T$ と $M_C$ が独立して最適化されるため、アップリフトの予測精度が低い場合がある。特に、それぞれのモデルが非常に正確でも、その差はノイズの影響を受けやすい。

3.2. 目的変数を変換するアプローチ (Transformed Outcome Approach)

特殊な目的変数を定義し、それを予測する単一のモデルを構築します。

手順:
1. 新しい目的変数 $Y'$ を定義する。例えば、観測された目的変数 $Y$ と介入変数 $W$ を使用し、
  $$Y' = \frac{Y \cdot W}{P(W=1)} - \frac{Y \cdot (1-W)}{P(W=0)}$$
  のように定義する。
  ここで $W$ は介入の有無（$W=1$が介入群、$W=0$が対照群）を示す二値変数、$P(W)$ はそれぞれの群に属する確率（処置確率）である。
  このとき、介入群では $Y' = Y / P(W=1)$（正の値）、対照群では $Y' = -Y / P(W=0)$（負の値）となり、介入による「純粋な増分効果」を表す目的変数として機能する。
  この $Y'$ の期待値 $E[Y'|X]$ がアップリフト（介入効果）に相当する。
2. この $Y'$ を予測する単一のモデル（通常は回帰モデル）を構築する。
補足:
この式は、介入群と対照群がランダムに割り当てられている（無作為割付）こと、または特徴量 $X$ を条件づけることで実質的にランダム化が成立している（条件付き独立性仮定＝unconfoundedness）ことを前提としています。
すなわち、顧客の属性や行動傾向などの特徴量 $X$ を十分に考慮したうえで、介入の有無 $W$ が独立に決定されている必要があります。これにより、介入の効果が他の要因による擬似的な相関ではなく、純粋な因果的影響として識別されます。
また、全ての特徴量の組み合わせについて $0 < P(W=1|X) < 1$ が成り立つ（どの層にも介入・非介入の両方が存在する）という「Positivity（重みの有限性）」も重要な条件です。

実務上のデータでは、介入群の割り当てが営業方針やターゲティングロジックに依存しており、完全なランダム化が成り立たないことが多いため、傾向スコア（Propensity Score）$P(W=1|X)$ を推定して補正するのが一般的です。
これはロジスティック回帰やLightGBMなどで「介入を受ける確率」を学習し、上記の式中で $P(W=1)$ を $\hat{P}(W=1|X)$ に置き換えることで、観測データを仮想的にランダム化実験に近づける発想です。
この補正を行うことで、Transformed Outcome Approach は観測データからでもアップリフトをより因果的に推定できるようになります。
利点: 単一のモデルで学習できるため、Two-model Approachよりも安定しやすい。
課題: 目的変数の変換が直感的でない場合があり、前提条件や補正方法を理解した上で適用することが重要。

3.3. 直接アップリフトを予測するアプローチ (Direct Uplift Modeling / Causal Tree / Causal Forest)

介入効果（アップリフト）を直接的に学習または最適化することを目的とするモデル群を使用するアプローチです。
これまで紹介した Two-model Approach や Transformed Outcome Approach が「間接的に差分を推定する」手法であるのに対し、
本アプローチではモデル構造や目的関数の設計段階から、介入効果そのもの（CATE: Conditional Average Treatment Effect）の推定を重視します。
代表的な例として、Causal Tree や Causal Forest、および Meta-learners（S-learner, T-learner, X-learner など） が挙げられます。

Causal Tree / Causal Forest:
一般的な決定木が「目的変数の平均値の差」を基準に分割するのに対し、Causal Tree は「介入効果の差（=介入群と対照群の平均差）」が最も大きくなるように分割を行います。
これにより、「どの顧客層で施策がより効果的か（または逆効果か）」を自動的に抽出できます。
Causal Forest はその拡張で、複数の Causal Tree をアンサンブル化することで推定の分散を抑え、より安定的な介入効果推定を実現します。
これらの手法は、目的関数自体が介入効果（処置効果）の推定誤差を最小化するように設計されている点で、「直接的最適化型」といえます。
Meta-learners:
既存の機械学習モデル（LightGBM、XGBoost、Neural Networkなど）を「ベース学習器」として活用し、間接的に介入効果を推定するメタフレームワークです。
代表的な手法には以下があります。
- S-learner: 介入変数 $W$ を特徴量に含め、1つのモデルで $E[Y|X,W]$ を学習する。アップリフトは予測差 $f(X,1)-f(X,0)$ として後から得られる（間接推定型）。
- T-learner: 介入群・対照群それぞれに別のモデルを学習し、その差分を推定する（Two-model Approachの因果推論的形式化）。
- X-learner: T-learner を改良し、少数群（介入または対照）のデータ不足を補うための「補完学習」を行う。
  これらは直接最適化型ではないものの、既存の機械学習モデルを活用して柔軟にCATEを推定できる「間接的な因果推定アプローチ」として広く利用されています。
利点: 介入効果の異質性（Heterogeneous Treatment Effect）を個々の特徴量水準で捉えられ、より精密で説明可能なアップリフト推定が可能。
課題:
直接最適化型モデルは理論的理解と実装スキルを要し、ハイパーパラメータ設定やサンプルサイズが不適切だと過学習や推定の不安定性が生じやすい。また、これらの手法は介入の割り付けが確率的（ランダムまたは条件付きランダム）であることを前提としており、施策配布がルールベース（決定的）な場合には因果効果の識別が困難になる。実務データに適用する際は、傾向スコア推定や重み付けなどにより、擬似的に確率的割付構造を再現する工夫が不可欠である。さらに、Meta-learner系は間接推定に基づくため、モデル誤差の伝搬がアップリフト推定精度に影響する点にも注意が必要。

4. データ準備と評価指標

アップリフトモデリングを行う上で、適切なデータ準備と評価指標の選択は不可欠です。

4.1. データ準備と適用条件

アップリフトモデリングの適用には、A/Bテストの結果、またはそれに準ずる介入群と対照群のデータが必須です。

介入群と対照群: 介入を行った群と行わない群のデータが必要です。両群の顧客はランダムに割り当てられていることが非常に重要です。これにより、介入以外の要因による効果の偏りを排除し、純粋な介入効果を測定できます。
特徴量: 顧客の属性情報（年齢、性別、地域など）、過去の行動履歴（購買履歴、Webサイト閲覧履歴など）など、予測に役立つ特徴量を準備します。
目的変数: 予測したい行動（例：購買有無、解約有無など）を定義します。

4.2. 評価指標

アップリフトモデリングの評価には、通常の分類モデルとは異なる専用の指標が用いられます。

Qini Curve (Uplift Curve): 顧客をアップリフトスコアの高い順に並べ、介入群と対照群の目的変数の差を累積でプロットした曲線です。曲線が上方に大きく膨らむほど、モデルの性能が良いことを示します[1]。
Qini Curveは、マーケティング施策など「介入」による真の因果効果を測るための評価指標です。モデルによって予測されたアップリフトスコアに基づいて顧客をランキングし、上位から順に選択した場合に、実際に得られるであろう純粋な介入効果の累積値を可視化します。これにより、特定の施策が最も効果を発揮する顧客層をどれだけ正確に特定できているかを評価できます。
例えば、Qini Curveが理想的なモデルに近づけば近づくほど、限られた予算で施策を行う際に、最も効率的に効果を最大化できる顧客にアプローチできていることを意味します（図2）。

図2 Qini Curve.

AUUC (Area Under the Uplift Curve): Qini Curveの下の面積で、モデルの全体的な性能を数値化したものです。AUROC（ROC曲線下面積）のアップリフト版と考えることができます。
Uplift Top K: アップリフトスコアの高い上位K%の顧客における、介入効果の実際の増加量を見る指標です。

まとめ

アップリフトモデリングは、単なる予測に留まらず、介入による真の行動変容を捉えることで、マーケティング施策のROIを大幅に向上させる可能性を秘めています。特に、A/Bテストによって得られた介入群と対照群のデータが、このモデリングの基盤となります。 顧客ターゲティングの最適化から、離反防止、クロスセル/アップセル、割引施策の最適化まで、多岐にわたるマーケティング活動に適用可能です。適切なアプローチと評価指標を選択し、顧客に真に響くパーソナライズされた体験を提供することで、ビジネスの成長を加速させることができるでしょう。

一緒に技術を磨く仲間を募集しています

Orbitics株式会社では、本記事で紹介したような技術領域（データ分析・機械学習・MLOps・LLM・RAG・AIエージェントなど）に本気で取り組みたいデータサイエンティストを募集しています。

ご興味がある方は弊社ホームページをぜひご覧ください。
https://www.orbitics.co.jp/

参考文献

[1] 人工知能学会全国大会（2020）論文集 1H4-OS-12b-02: Uplift Modeling の導入と評価.