Avito organizó un torneo de modelos uplift: ganó X-learner, no Causal Forest

En julio de 2026, Grisha Kriukov, analista del equipo de confianza y seguridad de Avito, organizó un «campeonato» entre cuatro modelos uplift populares —S-learner, T-learner, X-learner y Causal Forest—, con fase de grupos y playoffs. El oro fue, de forma inesperada, para X-learner, que salió de la fase de grupos solo en tercer lugar, pero ganó las dos semifinales y la final.

Para qué sirven los modelos uplift

El modelado uplift estima el efecto individual de una intervención: cuánto cambiará el comportamiento de una persona concreta por una acción, y no la reacción media de un grupo. La principal dificultad es que, para un mismo objeto, no se pueden observar a la vez los dos resultados: con intervención y sin ella.

«El problema principal: de un mismo jugador nunca conocemos las dos situaciones a la vez», —

Grisha Kriukov, analista del equipo de confianza y seguridad de Avito.

Los cuatro enfoques resuelven este problema de formas distintas: S-learner introduce la marca de intervención como una variable más; T-learner entrena dos modelos independientes; X-learner añade entrenamiento sobre pseudoefectos y ponderación por propensity; y Causal Forest construye árboles que maximizan la diferencia en el efecto.

Cómo funciona el torneo

El torneo constó de una fase de grupos con datos sintéticos y unos playoffs con datos reales. El autor midió la calidad de los modelos con la métrica PEHE (Precision in Estimation of Heterogeneous Effect): cuanto más baja, más precisa es la estimación del efecto.

• Modelos: S-learner, T-learner, X-learner, Causal Forest
• Métrica: PEHE; puntos en el grupo según la posición: 3-2-1-0
• Fase de grupos: datos sintéticos, 5000 observaciones, 10 variables, partición 70/30
• Semifinales: dataset Hillstrom MineThatData, 64 mil clientes de e-commerce
• Final: dataset FIFA 21, unos 10 mil futbolistas y 26 atributos

Tras tres rondas de grupos, Causal Forest lideraba con 6 puntos, S-learner y X-learner sumaban 5 cada uno y T-learner cerraba la tabla con 2 puntos.

Por qué ganó X-learner

X-learner ganó porque su arquitectura aprende precisamente de la diferencia entre los escenarios con y sin intervención, y no del nivel general de respuesta. En la semifinal arrasó a S-learner (PEHE 0.215 frente a 0.747) y en la final superó a T-learner con un PEHE de 0.579 frente a 1.135.

«La arquitectura funciona como está pensada: en lugar del nivel general de respuesta, el modelo aprende precisamente de la diferencia entre los mundos con intervención y sin ella», —

Grisha Kriukov.

El autor explica la derrota de los favoritos así: con datos sintéticos, distribuidos de forma ideal, tenía ventaja el robusto Causal Forest, pero con datos reales «sucios» ganaba la arquitectura más flexible. T-learner salió especialmente mal parado: sus dos modelos independientes no intercambian información, y eso resultó fatal en la final.

Qué significa

No existe un ganador universal en el modelado uplift: con datos sintéticos limpios y muestras pequeñas gana Causal Forest, y con datos reales ruidosos, X-learner. Conviene elegir el modelo en función del dataset concreto, y no de la reputación del método.

Preguntas frecuentes

¿Qué es el modelado uplift?

Es un método para estimar el efecto individual de una intervención: cuánto cambiará el comportamiento de un usuario concreto por una promoción o un correo, y no el efecto medio sobre toda la audiencia. Se aplica en marketing, retención y antifraude.

¿Qué modelo ganó el torneo de Avito?

El campeón fue X-learner: salió de la fase de grupos solo en tercer lugar, pero ganó las dos semifinales y la final con un PEHE de 0.579 frente a 1.135 de T-learner. La razón es su arquitectura, que aprende de la diferencia de efectos.

¿Qué significa la métrica PEHE?

PEHE (Precision in Estimation of Heterogeneous Effect) mide la precisión con la que un modelo estima el efecto individual: cuanto más bajo es el valor, más cerca está la predicción del valor real. En el torneo se usó para repartir las posiciones.