Uplift

Ein Onlineshop verschickt Rabattgutscheine und misst danach: Wer den Gutschein bekam, kaufte häufiger ein. Klingt nach Erfolg, ist aber noch kein Beweis. Vielleicht hätten viele dieser Leute ohnehin gekauft, ganz ohne Rabatt. Uplift ist genau die Differenz, die übrig bleibt, wenn man das herausrechnet: der zusätzliche Effekt, den eine Maßnahme bei einer bestimmten Person wirklich auslöst. Der Begriff stammt aus dem Marketing, wird heute aber überall dort benutzt, wo man die Wirkung eines Eingriffs von reiner Vorhersage trennen will. Man fragt also nicht „Wer kauft?“, sondern „Bei wem ändert meine Aktion etwas?“.

Warum Rabatte an die falschen Leute gehen

Klassische Vorhersagemodelle sortieren Kunden nach Kaufwahrscheinlichkeit. Ganz oben landen die treuesten Stammkunden. Genau die bekommen dann den Gutschein — und lösen ihn ein für etwas, das sie sowieso gekauft hätten. Der Shop verschenkt Marge, ohne einen einzigen zusätzlichen Verkauf zu erzeugen. Solche Kunden nennt man im Fachjargon „sichere Sache“: hohe Kaufwahrscheinlichkeit, aber Uplift nahe null.

Noch unangenehmer sind die sogenannten schlafenden Hunde. Das sind Menschen, die durch eine Werbemail erst daran erinnert werden, dass sie ein Abo haben — und es prompt kündigen. Bei ihnen ist der Uplift negativ, die Maßnahme richtet Schaden an. Ein normales Modell kann diese Gruppe gar nicht erkennen, weil es nur einen einzigen Zustand betrachtet.

Der wirtschaftliche Unterschied ist erheblich. Wenn ein Versandhändler eine Million Kataloge druckt und verschickt, kostet jeder Kontakt Geld. Eine Kampagne nur an die Gruppe mit hohem Uplift zu schicken, halbiert oft die Kosten bei gleichem Umsatz. Genau deshalb ist Uplift in Datenteams von Handel, Banken und Telekommunikation ein Standardthema.

Zwei Welten, die es nie gleichzeitig gibt

Das Grundproblem ist logischer Natur. Man müsste wissen, wie sich ein und dieselbe Person mit Gutschein und ohne Gutschein verhält. Beides zugleich ist unmöglich. Die zweite Welt ist immer unbeobachtbar, Fachleute sprechen vom fundamentalen Problem der Kausalanalyse. Uplift lässt sich deshalb nie direkt an einer einzelnen Person messen.

Der Ausweg ist ein Experiment mit Kontrollgruppe. Man teilt die Kunden zufällig in zwei Hälften. Eine Hälfte bekommt die Maßnahme, die andere nicht. Weil die Zuteilung zufällig war, sind beide Gruppen im Schnitt vergleichbar. Der Unterschied in den Kaufquoten ist dann der durchschnittliche Uplift.

Ein Modell geht einen Schritt weiter. Es lernt aus diesen Experimentdaten, welche Merkmale mit einem hohen Uplift zusammenhängen — Alter, letzter Einkauf, Warenkorbgröße. Eine einfache Bauweise trainiert zwei getrennte Modelle, eines je Gruppe, und zieht ihre Vorhersagen voneinander ab. Modernere Verfahren wie Uplift-Bäume optimieren direkt auf die Differenz. Wichtig bleibt: Ohne saubere Kontrollgruppe in den Trainingsdaten funktioniert kein Uplift-Modell.

Vom Gutschein bis zur Medikamentenstudie

Am häufigsten trifft man Uplift im Marketing großer Onlineplattformen. Wer entscheidet, welche Nutzer eine Push-Nachricht oder einen Gratismonat bekommen, rechnet in Uplift statt in Klickwahrscheinlichkeit. Auch Banken nutzen es, um bei Kündigungswellen nur die wirklich beeinflussbaren Kunden anzusprechen.

Dieselbe Denkweise steckt in der Medizin hinter jeder Zulassungsstudie. Eine Gruppe erhält den Wirkstoff, eine andere ein Scheinmedikament. Nur die Differenz zählt als Wirkung. In der Politikforschung heißt das Prinzip Wirkungsevaluation, etwa bei der Frage, ob ein Förderprogramm tatsächlich Arbeitsplätze geschaffen hat.

In Nachrichtentexten begegnet der Begriff manchmal auch in einer schwächeren Bedeutung, etwa als „Uplift der Umsatzprognose“. Gemeint ist dann schlicht eine Anhebung. Bei Datenprodukten lohnt der genaue Blick: Wenn ein Anbieter mit „Uplift“ wirbt, sollte man fragen, gegen welche Kontrollgruppe gemessen wurde. Ohne diese Angabe ist die Zahl wenig wert.