Avito promove torneio de modelos de uplift: X-learner vence, e não o Causal Forest

Em julho de 2026, Grisha Kriukov, analista da equipe de confiança e segurança do Avito, organizou um «campeonato» entre quatro modelos de uplift populares — S-learner, T-learner, X-learner e Causal Forest — com fase de grupos e mata-mata. O ouro ficou inesperadamente com o X-learner, que saiu do grupo apenas em terceiro, mas venceu as duas semifinais e a final.

Para que servem os modelos de uplift

A modelagem de uplift estima o efeito individual de uma intervenção: quanto o comportamento de uma pessoa específica muda por causa de uma ação, e não a reação média de um grupo. A principal dificuldade é que, para um mesmo indivíduo, não é possível observar os dois desfechos ao mesmo tempo: com e sem a intervenção.

«O principal problema: para um mesmo jogador, nunca conhecemos as duas situações simultaneamente», —

Grisha Kriukov, analista da equipe de confiança e segurança do Avito.

Os quatro métodos resolvem esse problema de formas diferentes: o S-learner passa o indicador de intervenção como uma feature comum; o T-learner treina dois modelos separados; o X-learner acrescenta treinamento sobre pseudoefeitos e ponderação por propensity; e o Causal Forest constrói árvores que maximizam a diferença de efeito.

Como funciona o torneio

O torneio teve uma fase de grupos com dados sintéticos e um mata-mata com dados reais. O autor mediu a qualidade dos modelos com a métrica PEHE (Precision in Estimation of Heterogeneous Effect): quanto menor o valor, mais precisa é a estimativa do efeito.

• Modelos: S-learner, T-learner, X-learner, Causal Forest
• Métrica — PEHE; pontos no grupo por colocação: 3-2-1-0
• Fase de grupos — dados sintéticos, 5000 observações, 10 features, divisão 70/30
• Semifinais — dataset Hillstrom MineThatData, 64 mil clientes de e-commerce
• Final — dataset FIFA 21, cerca de 10 mil jogadores e 26 atributos

Ao fim das três rodadas do grupo, o Causal Forest liderava com 6 pontos, S-learner e X-learner somavam 5 cada, e o T-learner fechava a tabela com 2 pontos.

Por que o X-learner venceu

O X-learner venceu porque sua arquitetura aprende justamente com a diferença entre os cenários com e sem intervenção, e não com o nível geral de resposta. Na semifinal, ele goleou o S-learner (PEHE de 0.215 contra 0.747) e, na final, superou o T-learner com PEHE de 0.579 contra 1.135.

«A arquitetura funciona como foi projetada: em vez do nível geral, o modelo aprende justamente com a diferença entre os mundos com e sem intervenção», —

Grisha Kriukov.

O autor explica a derrota dos favoritos assim: nos dados sintéticos, distribuídos de forma ideal, levou vantagem o Causal Forest, mais estável; já nos dados reais, «sujos», venceu a arquitetura mais flexível. O T-learner foi o mais prejudicado: seus dois modelos independentes não trocam informação entre si, e isso foi fatal na final.

O que isso significa

Não existe um vencedor universal na modelagem de uplift: em dados sintéticos bem comportados e amostras pequenas, ganha o Causal Forest; em dados reais ruidosos, ganha o X-learner. A escolha do modelo deve levar em conta o dataset em questão, e não a reputação do método.

Perguntas frequentes

O que é modelagem de uplift?

É um método para estimar o efeito individual de uma intervenção — quanto o comportamento de um usuário específico muda por causa de uma promoção ou de um e-mail, e não o efeito médio sobre toda a audiência. É aplicada em marketing, retenção e antifraude.

Qual modelo venceu o torneio do Avito?

O campeão foi o X-learner: ele saiu da fase de grupos apenas em terceiro, mas venceu as duas semifinais e a final, com PEHE de 0.579 contra 1.135 do T-learner. O motivo é a arquitetura, que aprende com a diferença entre os efeitos.

O que significa a métrica PEHE?

O PEHE (Precision in Estimation of Heterogeneous Effect) mede a precisão com que o modelo estima o efeito individual: quanto menor o valor, mais próxima da realidade é a previsão. No torneio, foi ela que definiu as colocações.