核心要点
目标是估计个体处理效应（ITE）：处理时与不处理时结果之差，而非结果本身的概率。
把人群分为 persuadables（可说服）、必然/必不、勿扰型，只对可说服人群投放最划算。
训练需要随机实验数据（有处理组与对照组）才能估计反事实差值。
常用方法：T-learner / S-learner、因果树/因果森林、类别变换法。
标准回答
是什么
Uplift（增益）建模估计的是干预带来的「增量」——同一个体在被干预与不被干预两种情况下结果之差，即个体处理效应（ITE），而不是普通模型预测的「会不会转化」的绝对概率。
为什么需要它
营销里把用户分四类：发券就买、不发也买、发券反而流失、怎样都不买。普通响应模型会把「不发也买」的人也圈进来，造成补贴浪费。Uplift 只锁定「可说服人群」（persuadables）——只有被干预才会转化的那部分，把预算花在刀刃上。
怎么建
数据需来自随机实验（处理组+对照组）。常见方法：
- 元学习器：T-learner（两组各建一个模型再相减）、S-learner（把处理作为特征）。
- 因果树/因果森林：直接以最大化组间效应差为分裂准则。
- 类别变换法：重新定义标签把问题转成普通分类。
评估用 Qini 曲线 / uplift 曲线衡量按预测增益排序后的累计增量。
常见误区
⚠️ 常见踩坑
别用准确率/AUC 评估 uplift 模型——真值是反事实差，无法对单个个体观测；应使用 Qini 曲线、uplift 曲线等基于分组累计增量的指标。
追问
追问 1：Uplift 建模和普通响应（倾向）模型的本质区别？
响应模型预测 P(转化|特征)，回答「谁会转化」；uplift 模型预测 P(转化|处理)−P(转化|不处理)，回答「谁会因干预而多转化」。前者可能把本来就会转化的人也算上，后者只关心干预带来的增量，更契合预算有限的定向投放目标。
追问 2：为什么 uplift 建模通常需要随机实验数据？
因为它要估计反事实差值，需要在其他因素同分布的前提下比较处理与对照两组。随机实验天然保证了这一点；若用观测数据，处理分配可能与用户特征相关，引入混淆，必须再叠加倾向得分等因果校正才能无偏估计。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。