Data-аналитики RWB оценили эффективность рекламы Wildberries с помощью ML

Специалисты RWB столкнулись с задачей оценить, как реклама в ПВЗ Wildberries влияет на клиентское поведение, когда классический t-тест оказался неэффективен из-за нерандомизированного распределения рекламных материалов. Для корректной оценки влияния потребовались продвинутые методы причинно-следственного анализа, учитывающие множество сопутствующих факторов.

Изначально аналитики использовали метод псевдорандомизации (Propensity Score Matching, PSM), который позволяет создать сопоставимые группы для сравнения, нивелируя влияние спутывающих факторов. Однако, по мере углубления в данные, стало ясно, что PSM не даёт полной картины из-за сложности и нелинейности взаимосвязей в данных. Тогда было принято решение перейти к использованию двойного машинного обучения (DML).

Двойное машинное обучение (DML) позволяет получить более надёжные и менее смещённые оценки эффекта воздействия, поскольку комбинирует преимущества машинного обучения для моделирования сложных взаимосвязей с надёжностью эконометрических методов. Такой подход помогает точнее определить реальный вклад рекламных кампаний и улучшить дальнейшее планирование маркетинговых активностей.