Uplift 增益建模与用户四象限细分

增益模型 (Uplift Modeling / 异质性因果效应建模) 与用户四象限人群响应细分 (4-Quadrant User Segmentation) 是现代精准营销、智能补贴发券与用户防流失召回的核心算法体系；传统响应预测模型（Response Model: 预测 $P(Y=1|X)$）的致命缺陷在于只能找出“本来就大概率会购买的高意向用户”，而 Uplift 模型专注于预测因干预带来的因果净增益 (Individual Treatment Effect, ITE / CATE: $\tau(X) = \mathbb{E}[Y(1) - Y(0) | X]$)；用户四象限画像：1) 说服即买型 (Persuadables, $\tau > 0$): 不给券不买、给券才买，是营销预算必须 100% 倾斜的核心高价值人群；2) 确定购买型 (Sure Things, $Y(1)=1, Y(0)=1, \tau \approx 0$): 不给券也会买，发券只会造成利润白白损失；3) 铁石心肠型 (Lost Causes, $Y(1)=0, Y(0)=0, \tau \approx 0$): 给不给券都不会买，触达属于纯浪费预算；4) 反作用反感型 (Sleeping Dogs / Do Not Disturbs, $\tau < 0$): 不打扰好好的，一发营销短信/Push 反而愤怒退订退款，必须严格加入黑名单隔离。

电商精准发券补贴、金融信贷精准触达、游戏流失用户定向召回、Push 消息疲劳度控制。

传统精准营销把 80% 的预算浪费在本来就会买的用户身上，甚至打扰了反感型用户；Uplift 增益建模实现了营销 ROI 的几何级倍增。

画出 Uplift 用户四象限矩阵图（横轴：不干预行为 $Y(0)$，纵轴：干预行为 $Y(1)$），标出四类人群并说明营销预算的最优分配策略？

响应模型 (Response Model / 预测点击率 CTR) vs 增益模型 (Uplift Model / 预测因果增益 $\tau(X)$) 在业务目标函数上的本质区别？

为什么在训练 Uplift 模型前，必须通过严格的随机化 A/B 实验（随机分流 Treatment 与 Control）收集训练样本？

净增量收益公式：如果一张优惠券成本为 $C$，客单价利润为 $V$，推导最优发券决策阈值 $\tau(X) > \frac{C}{V}$？

多价格阶梯与多 Treatment Uplift 扩展：如何对不同面额优惠券（如 5元、10元、20元）进行多分支连续增益弹性建模？