La présentation sera faite en anglais.

Les modèles 'uplift' apportent une solution au problème d'isolation de l'effet marketing d'une campagne. Pour réduire le taux de désabonnement des clients, les modèles d'amélioration uplift sont utilisés pour identifier les clients susceptibles de répondre positivement à une activité de fidélisation uniquement s'ils sont ciblés, et pour éviter de gaspiller des ressources sur des clients très susceptibles de passer à une autre entreprise. En pratique, la performance des modèles uplift est mesurée par le coefficient appelé coefficient de Qini. Nous introduisons un modèle de régression basé sur le coefficient de Qini pour analyser la campagne de marketing de rétention d'une grande compagnie d'assurance. Notre approche est basée sur des modèles de régression logistique. Nous montrons qu'un modèle d'uplift optimisé pour Qini agit comme un facteur de régularisation pour l'uplift, tout comme un modèle de vraisemblance pénalisé le fait pour la régression. Ceci se traduit par des modèles interprétables avec peu de variables explicatives pertinentes. Nos résultats montrent que l'estimation des paramètres basée sur le coefficient de Qini améliore considérablement les performances de prédiction du Qini des modèles d'uplift.

Ceci est un travail conjoint avec Mouloud Belbahri (TD Assurance), Olivier Gandouet (TD Assurance) et Vahid Partovi Nia (École Polytechnique de Montréal).