Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 0
Der Einsatz von Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 1
Agenda
Einführung in das Th...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 2
Agenda
Einführung in das Th...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 3
Miles & More ist mit über 2...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 4
Die Miles & More Credit Car...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 5
Agenda
Einführung in das Th...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 6
Warum brauchen wir Predicti...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 7
Was ist das Ziel einer Dire...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 8
Wie messen wir den Erfolg e...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 9
Wie reagieren unterschiedli...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 10
Welches Kundensegment eign...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 11
Warum kein klassisches Res...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 12
Ein Uplift-Modell prognost...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 13
Agenda
Einführung in das T...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 14
𝑃 𝑇1
𝑌 𝑋) − 𝑃 𝑇0
𝑌 𝑋) zwei...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 15
Mögliche methodische Model...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 16
UPLIFT 𝑋1= Frauen = 2 ∗ 𝑃 ...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 17
UPLIFT 𝑋1= Frauen = 2 ∗ 𝑃 ...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 18
ΔUPLIFT = UPLIFT(Mann) − U...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 19
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 20
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 21
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 22
Tatsächlicher Uplift (rela...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 23
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 24
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 25
Ergebnisse des Uplift-Mode...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 26
Agenda
Einführung in das T...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 27
 Rekalibrierung / Neuentw...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 28
Noch Fragen?
Neuentwicklun...
Predictive Analytics World Berlin, 03.11.2014
Fallstudie Miles & More Uplift-Modelling
Seite 29
 Radcliffe, N.: Generatin...
Nächste SlideShare
Wird geladen in …5
×

Der Einsatz von Uplift-Modeling am Beispiel der Lufthansa Miles & More Credit Card

1.204 Aufrufe

Veröffentlicht am

Thomas Klein, Teamleiter Database Marketing & Customer Intelligence, Miles & More GmbH
Alexander Funkner, Manager Database Marketing, Miles & More GmbH

Das Ziel einer Direktmarketingkampagne ist es Kunden durch gezielte individuelle Ansprache von einem Produkt zu überzeugen und zusätzlichen Absatz zu generieren. Der Erfolg einer Kampagne lässt sich demnach nicht an der reinen Response Rate messen, sondern am unmittelbar durch das Mailing bedingten inkrementellen Zusatzeffekt, dem erzielten Uplift im Vergleich zwischen einer Mailing- und Kontrollgruppe. Es besteht folglich ein Unterschied zwischen Kunden die voraussichtlich kaufen, wenn sie eine Kampagne erhalten und Kunden die ausschließlich dann kaufen, wenn sie eine Kampagne erhalten. Uplift-Modeling ermöglicht es diesen Einfluss eines Mailings auf das individuelle Kundenverhalten zu prognostizieren und so gezielt die Kundengruppe zu identifizieren, bei denen ein Mailing einen stark positiven Effekt auf die Kaufentscheidung hat. Thomas Klein und Alexander Funkner präsentieren am Beispiel der Lufthansa Miles & More Credit Card wie mittels Uplift-Modeling Kosten sowie unnötige Kundenkontakte bei der Neukundenakquise reduziert und der Uplift von Direktmarketingkampagnen um bis zu Faktor 3 gesteigert werden konnten. Anhand der Fallstudie demonstrieren sie, welche methodischen Ansätze in der praktischen Anwendung erfolgreich getestet und implementiert wurden.

Veröffentlicht in: Daten & Analysen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.204
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
142
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Der Einsatz von Uplift-Modeling am Beispiel der Lufthansa Miles & More Credit Card

  1. 1. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 0 Der Einsatz von Uplift-Modeling Am Beispiel der Lufthansa Miles & More Credit Card
  2. 2. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 1 Agenda Einführung in das Thema Uplift-Modelling2 Kurzer Überblick zu Miles & More und der Miles & More Kreditkarte1 Fazit & Ausblick4 3 Fallstudie zur Lufthansa Miles & More Kreditkarte  Mögliche methodische Modellierungs-Ansätze  Herausforderungen beim von uns gewählten Ansatz  Ergebnisse des Uplift-Modells
  3. 3. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 2 Agenda Einführung in das Thema Uplift-Modelling2 Kurzer Überblick zu Miles & More und der Miles & More Kreditkarte1 Fazit & Ausblick4 3 Fallstudie zur Lufthansa Miles & More Kreditkarte  Mögliche methodische Modellierungs-Ansätze  Herausforderungen beim von uns gewählten Ansatz  Ergebnisse des Uplift-Modells
  4. 4. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 3 Miles & More ist mit über 27 Millionen Teilnehmern Europas größtes Vielfliegerprogramm  Das Vielfliegerprogramm von Lufthansa und 8 weiteren Airlines.  1993 mit sieben Partnern aus Hotellerie und Autovermietung gestartet.  Heute können Teilnehmer bei über 350 Partnerunternehmen aus zahlreichen Branchen Meilen sammeln oder für Flugprämientickets und Upgrades, Reise-, Sach- und Erlebnisprämien einlösen.  Die Miles & More GmbH betreibt als 100% Tochtergesellschaft der Deutschen Lufthansa AG das Vielfliegerprogramm und steuert das gesamte Prämiengeschäft.
  5. 5. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 4 Die Miles & More Credit Card ist mit mehr als 600.000 Inhabern eines der erfolgreichsten Kreditkartenportfolien in Deutschland.  Gleichzeitig Kreditkarte und Miles & More Servicekarte.  Als Credit Card White, Blue oder Gold mit jeweils unterschiedlichen Zusatzleistungen erhältlich.  Inhaber erhalten für jeden mit ihrer Credit Card getätigten Umsatz Prämienmeilen gutgeschrieben.  Als sogenannte Co-Branding-Kreditkarte in Kooperation mit der Deutschen Kreditbank AG (DKB) und MasterCard herausgegeben.
  6. 6. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 5 Agenda Einführung in das Thema Uplift-Modelling2 Kurzer Überblick zu Miles & More und der Miles & More Kreditkarte1 Fazit & Ausblick4 3 Fallstudie zur Lufthansa Miles & More Kreditkarte  Mögliche methodische Modellierungs-Ansätze  Herausforderungen beim von uns gewählten Ansatz  Ergebnisse des Uplift-Modells
  7. 7. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 6 Warum brauchen wir Predictive Analytics im Direktmarketing?
  8. 8. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 7 Was ist das Ziel einer Direktmarketingkampagne? Kunden durch gezielte individuelle Ansprache von einem Produkt überzeugen. Maximale zusätzliche Umsätze zu möglichst geringen Kosten. Die Kaufentscheidung des Kunden positiv beeinflussen. Nachfrage stimulieren und zusätzlichen (inkrementellen) Absatz generieren.
  9. 9. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 8 Wie messen wir den Erfolg einer Kampagne? Conversion Rate Mailing Control Uplift  Den Erfolg nicht nur messen, sondern gezielt maximieren!  Mittels Kontrollgruppe lässt sich der Erfolg nur im Nachhinein messen. Herausforderungen
  10. 10. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 9 Wie reagieren unterschiedliche Kundensegmente auf ein Mailing? Persuadables Sleeping Dogs Sure Things Lost Causes Ja Kaufentscheidung mit Mailing Kaufentscheidung ohne Mailing Nein Nein Ja  ? ?
  11. 11. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 10 Welches Kundensegment eignet sich am besten als Zielgruppe? KumulierteinkrementelleErlöse Immovables Lost Causes & Sure Things Persuadables Sleeping Dogs Größe der Zielgruppe0% 100%  Im Segment der „Persuadables“ hat das Mailing einen positiven Einfluss auf die Kaufentscheidung,...  …während investiertes Marketingbudget bei den „Immovables“ keinen zusätzlichen Ertrag bringt…  …und sich bei den „Sleeping Dogs“ sogar kontraproduktiv auswirkt!
  12. 12. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 11 Warum kein klassisches Response-Modell zur Zielgruppenselektion? Kaufwahrscheinlichkeit mitMailing Kaufwahrscheinlichkeit ohne Mailing 0% 100% 100% Sleeping Dogs Persuadables Lost Causes Sure Things Selektierte Zielgruppe nach Response-Score Daten aus Testkampagne Kontroll- gruppe Mailing gruppe Modell 𝑃 𝑇1 𝑌 𝑋) binäres Response Modell Response-Modelling
  13. 13. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 12 Ein Uplift-Modell prognostiziert direkt den Einfluss eines Mailings auf das individuelle Kundenverhalten. Daten aus Testkampagne Modell Uplift-Modelling Kontroll- gruppe Mailing gruppe  Beim Uplift-Modelling werden zusätzlich zur Mailingruppe auch die Daten der Kontrollgruppe bei der Modellerstellung berücksichtigt.  Für zukünftige Aktionen kann so die Kundengruppe identifizieren werden, bei der ein Mailing einen positiven Effekt auf die Kaufentscheidung hat.
  14. 14. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 13 Agenda Einführung in das Thema Uplift-Modelling2 Kurzer Überblick zu Miles & More und der Miles & More Kreditkarte1 Fazit & Ausblick4 3 Fallstudie zur Lufthansa Miles & More Kreditkarte  Mögliche methodische Modellierungs-Ansätze  Herausforderungen beim von uns gewählten Ansatz  Ergebnisse des Uplift-Modells
  15. 15. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 14 𝑃 𝑇1 𝑌 𝑋) − 𝑃 𝑇0 𝑌 𝑋) zwei Modelle für P(Y) Mögliche methodische Modellierungs-Ansätze Definitionen 𝑌 ∈ {0,1} Zielvariable 𝑇 ∈ {0,1} Maßnahme 𝑋 ≔ (𝑋1, … , 𝑋 𝑚 ) Erklärende Variablen 𝑓(𝑌, 𝑇) ≔ 1, falls 𝑇 = 1 und 𝑌 = 1 1, falls 𝑇 = 0 und 𝑌 = 0 0 sonst 𝑃 𝑌 | 𝑋, 𝑇 = 1 − 𝑃 𝑌 | 𝑋, 𝑇 = 0 ein Modell mit Wechselwirkungen für P(Y) 2 𝑃 𝒇 𝒀, 𝑻 | 𝑋 − 1 ein Modell für 𝑃(𝑓) (Jaskowski, Jaroszewicz, 2012) UPLIFT =
  16. 16. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 15 Mögliche methodische Modellierungs-Ansätze Modellierung von 𝒇(𝒀, 𝑻) Vorteile bei Modellierung von 𝒇(𝒀, 𝑻) Zielvariable 𝑓(𝑌, 𝑇) ist binär und direkt mit dem gesuchten Uplift verknüpft  Klassische Modellierung mit gängigen Verfahren  Variablenauswahl wird vereinfacht  Bei Verwendung der logistischen Regression zur Modellierung von 𝑓 𝑌, 𝑇 ist die Interpretation der Modellvariablen (Einflussrichtung / Einflussgewicht) möglich Herausforderungen  Erfüllung der Bedingung 𝑃 𝑇 = 1 = 𝑃(𝑇 = 0) und sogar 𝑃 𝑇 = 1 | 𝑋 = 𝑃 𝑇 = 0 𝑋)  Signifikanztests bei der Auswahl von erklärenden Variablen (WALD-Test)
  17. 17. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 16 UPLIFT 𝑋1= Frauen = 2 ∗ 𝑃 𝑓 𝑌, 𝑇 | 𝑋1 − 1 = 2 ∗ 6+ 24−5 50 − 1 = 2 ∗ 0,5 − 1 = 𝟎 Herausforderungen beim von uns gewählten Ansatz Erfüllung der Bedingung 𝑷 𝑻 = 𝟏 | 𝑿 = 𝑷 𝑻 = 𝟎 𝑿) Was passiert, wenn 𝑃 𝑇 = 1 | 𝑋 = 𝑃 𝑇 = 0 𝑋) NICHT erfüllt ist? ↯ UPLIFT 𝑋1= Frauen = 𝑃 𝑇1 𝑌 𝑋1) − 𝑃𝑇0 𝑌 𝑋1) = 0,23 − 0,21 = 𝟎, 𝟎𝟐 Mailing (T=1) 26 Frauen + 24 Männer Kein Mailing (T=0) 24 Frauen + 26 Männer 50 Frauen + 50 Männer = 100 Kunden 6 Frauen mit Y=1 5 Frauen mit Y=1 𝑃(𝑌 = 1) = 𝟎, 𝟐𝟑 𝑃(𝑌 = 1) = 𝟎, 𝟐𝟏 UPLIFT = 𝟎 ist offensichtlich falsch (oder nicht genau genug)
  18. 18. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 17 UPLIFT 𝑋1= Frauen = 2 ∗ 𝑃 𝑓 𝑌, 𝑇 | 𝑋1 − 1 = 2 𝟔+ 𝟐𝟒∗𝒈−𝟓∗𝒈 𝟐𝟔+𝟐𝟒∗𝒈 − 1 = 2 ∗ 0,51 − 1 = 𝟎, 𝟎𝟐 Herausforderungen beim von uns gewählten Ansatz Erfüllung der Bedingung Was tun, damit 𝑃 𝑇 = 1 | 𝑋 = 𝑃 𝑇 = 0 𝑋) erfüllt ist? ↯ UPLIFT 𝑋1= Frauen = 𝑃 𝑇1 𝑌 𝑋1) − 𝑃𝑇0 𝑌 𝑋1) = 0,23 − 0,21 = 𝟎, 𝟎𝟐 26 Frauen 24 Frauen * 𝑔 Gewichtung einer der Gruppen: 𝑔 𝑋1, … , 𝑋 𝑚 = #(𝑇=1|𝑋1,…,𝑋 𝑚) #(𝑇=0|𝑋1,…,𝑋 𝑚) ; hier: 𝑔 𝑋1 = Frauen = 26 24 6 Frauen mit Y=1 5 *𝑔 Frauen mit Y=1 𝑃(𝑌 = 1) = 𝟎, 𝟐𝟑 𝑃(𝑌 = 1) = 𝟎, 𝟐𝟏 UPLIFT = 𝟎,02
  19. 19. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 18 ΔUPLIFT = UPLIFT(Mann) − UPLIFT(Frau) = = 2 ∗ 𝑃 𝑓|Mann − 1 − 2 ∗ 𝑃 𝑓|Frau − 1 = 2 ∗ Δ𝑃 𝑓 Herausforderungen beim von uns gewählten Ansatz Variablensuche – statistische Absicherung ΔUPLIFT=0,06 Δ𝑃 𝑓 = ΔUPLIFT 2  Mögliche Folge: kein signifikanter Einfluss der erklärenden Variable auf 𝑃(𝑓) Lösung  Erhöhung der Anzahl von Beobachtungen (z.B. durch Gewichtung)  Manuelle Auswahl der Prädiktoren mithilfe von univariaten Analysen Δ𝑃 𝑓 =0,03 0,50 Mann Frau 0,54 0,51 𝑷 𝒇 Mann Frau 0,02 0,00 0,08 UPLIFT
  20. 20. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 19 Ergebnisse des Uplift-Modells Hinführung - Relativer UPLIFT Mann Frau 0,02 0,08 UPLIFT 0,05 (Ø) 1 (Basis) Relativer UPLIFT 1,6 0,4 Der relative UPLIFT ermöglicht eine bessere Vergleichbarkeit zwischen verschiedenen Kampagnen
  21. 21. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 20 Ergebnisse des Uplift-Modells Hinführung - Gruppierung der Prognosewerte Kunde UPLIFT-Prognose Gruppe ID1 2.6 ID2 2.4 ⁞ ⁞ ID09 1.2 ID10 1.1 ⁞ ⁞ ⁞ ID90 0.2 ⁞ ⁞ ID100 0.1 10% 10% Eine Gruppierung der Kunden nach Prognosewerten ermöglicht eine Validierung des Modells  Gruppenmittelwert der UPLIFT-Prognose vs. tatsächlich gemessener Gruppen-UPLIFT
  22. 22. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 21 Ergebnisse des Uplift-Modells Validierung mit der Entwicklungsstichprobe (Q1 2013)
  23. 23. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 22 Tatsächlicher Uplift (relativ) Ergebnisse des Uplift-Modells Validierung Out-Of-Time (Q2 2013)
  24. 24. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 23 Ergebnisse des Uplift-Modells Validierung Out-Of-Time (Q2 2013) Tatsächlicher Uplift (relativ)
  25. 25. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 24 Ergebnisse des Uplift-Modells Validierung Out-Of-Time (Q2 2013)
  26. 26. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 25 Ergebnisse des Uplift-Modells Validierung Out-Of-Time (Q2 2013)
  27. 27. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 26 Agenda Einführung in das Thema Uplift Modeling2 Kurzer Überblick zu Miles & More und der Miles & More Kreditkarte1 Fazit & Ausblick4 3 Fallstudie zur Lufthansa Miles & More Kreditkarte  Mögliche methodische Modellierungs-Ansätze  Herausforderungen beim von uns gewählten Ansatz  Ergebnisse des Uplift-Modells
  28. 28. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 27  Rekalibrierung / Neuentwicklung des Modells aufgrund veränderter Rahmenbedingungen (Relaunch des Kreditkarten-Portfolios).  Stärkerer Fokus auf die Auswahl erklärender Variablen (Feature Engineering / Feature Selection)  Erweiterung des Modells zur Prognose von optimalem Produktangebot (White, Blue, Gold) und Kommunikationskanal (E-Mail, Post).  Test mehrerer Modelle (alternativer Verfahren zur logistischen Regression). Fazit & Ausblick
  29. 29. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 28 Noch Fragen? Neuentwicklung wegen Änderung der Rahmenbedingungen Mehr Fokus auf die Suche nach erklärenden Variablen
  30. 30. Predictive Analytics World Berlin, 03.11.2014 Fallstudie Miles & More Uplift-Modelling Seite 29  Radcliffe, N.: Generating Incremental Sales - Maximizing the incremental impact of cross-selling. Stochastic Solutions Limited, 2007  Siegel, E.: Predictive Analytics – The power to predict who will click, lie, buy or die. Wiley, 2013 (Ch. 7)  Jaskowski, M. and Jaroszewicz, S.: Uplift modeling for clinical trial data. ICML 2012 Workshop on Clinical Data Analysis, Edinburgh, Scotland, UK, 2012. Literatur / Quellen

×