Простое и лаконичное решение для оценки инкрементальности (добавленной ценности) в маркетинге предложила Emily Kaegi. Суть идеи – моделирование данных контрольной группы с помощью алгоритмов машинного обучения с предсказанием на временных рядах.
Допустим, вы хотите оценить вклад кампании, но не имеете возможности разбить трафик на группы. В этом случае можете смоделировать показатели выручки / конверсий на основе исторических данных (подойдет библиотека Prophet от Meta) и затем сопоставить с фактическими данными. Разница и будет оценочным вкладом кампании.
Метод, как и многие предикитвные механики, имеет ряд ограничений. Подробнее можно почитать в статье Emily Kaegi по ссылке.
Больше о работе с данными в продукте и маркетинге есть в Телеграм-канале "Модель атрибуции”
