Criteo Uplift营销效果评估数据集

## 引言与背景

在数字化营销领域，准确评估广告投放的真实效果是企业优化营销策略、提升投资回报率的关键。传统的营销效果评估往往依赖简单的相关性分析，难以区分广告带来的真实增量效果与用户原本就有的转化意愿。Uplift建模作为一种先进的因果推断方法，能够精准识别营销活动对不同用户群体的增量影响，为精细化营销决策提供科学依据。本数据集来自全球领先的广告技术公司Criteo，是目前公开可用的规模最大、质量最高的uplift建模基准数据集之一。

该数据集包含约1398万条用户级别的广告曝光与转化记录，涵盖12维连续型特征变量和4个关键标签字段，完整记录了用户在营销活动中的treatment分配、转化行为、访问行为以及曝光状态。这些数据源自真实的广告投放场景，经过严格的脱敏处理和特征工程加工，既保留了原始业务数据的真实性和代表性，又确保了数据的可用性和隐私安全性。数据集的完整性和丰富性使其成为学术研究和工业实践中进行uplift建模、因果推断、个性化营销等相关研究的理想基准。

## 数据基本信息

### 数据字段说明

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
| :--- | :--- | :--- | :--- | :--- |
| f0 | float64 | 用户特征0：连续型用户行为特征 | 19.6203 | 100% |
| f1 | float64 | 用户特征1：连续型用户行为特征 | 10.0700 | 100% |
| f2 | float64 | 用户特征2：连续型用户行为特征 | 8.4466 | 100% |
| f3 | float64 | 用户特征3：连续型用户行为特征 | 4.1789 | 100% |
| f4 | float64 | 用户特征4：连续型用户行为特征 | 10.3388 | 100% |
| f5 | float64 | 用户特征5：连续型用户行为特征 | 4.0285 | 100% |
| f6 | float64 | 用户特征6：连续型用户行为特征 | -4.1554 | 100% |
| f7 | float64 | 用户特征7：连续型用户行为特征 | 5.1018 | 100% |
| f8 | float64 | 用户特征8：连续型用户行为特征 | 3.9336 | 100% |
| f9 | float64 | 用户特征9：连续型用户行为特征 | 16.0276 | 100% |
| f10 | float64 | 用户特征10：连续型用户行为特征 | 5.3334 | 100% |
| f11 | float64 | 用户特征11：连续型用户行为特征 | -0.1710 | 100% |
| treatment | int64 | 处理组标识：0为控制组，1为处理组 | 1 | 100% |
| conversion | int64 | 转化标签：0为未转化，1为已转化 | 0 | 100% |
| visit | int64 | 访问标签：0为未访问，1为已访问 | 0 | 100% |
| exposure | int64 | 曝光标签：0为未曝光，1为已曝光 | 0 | 100% |

### 数据分布情况

#### Treatment分组分布

| Treatment值 | 记录数量 | 占比 |
| :--- | :--- | :--- |
| 0（控制组） | 2,096,937 | 15.00% |
| 1（处理组） | 11,882,655 | 85.00% |
| 合计 | 13,979,592 | 100.00% |

#### 转化标签分布

| Conversion值 | 记录数量 | 占比 |
| :--- | :--- | :--- |
| 0（未转化） | 13,938,818 | 99.71% |
| 1（已转化） | 40,774 | 0.29% |
| 合计 | 13,979,592 | 100.00% |

#### 访问标签分布

| Visit值 | 记录数量 | 占比 |
| :--- | :--- | :--- |
| 0（未访问） | 13,322,663 | 95.30% |
| 1（已访问） | 656,929 | 4.70% |
| 合计 | 13,979,592 | 100.00% |

#### 曝光标签分布

| Exposure值 | 记录数量 | 占比 |
| :--- | :--- | :--- |
| 0（未曝光） | 13,551,380 | 96.94% |
| 1（已曝光） | 428,212 | 3.06% |
| 合计 | 13,979,592 | 100.00% |

### Treatment与关键指标交叉分析

#### Treatment与Conversion交叉表

| | Conversion=0 | Conversion=1 | 合计 |
| :--- | :--- | :--- | :--- |
| Treatment=0 | 2,092,874 | 4,063 | 2,096,937 |
| Treatment=1 | 11,845,944 | 36,711 | 11,882,655 |
| 合计 | 13,938,818 | 40,774 | 13,979,592 |

#### 不同Treatment组关键指标率

| 指标 | Treatment=0 | Treatment=1 |
| :--- | :--- | :--- |
| 转化率 | 0.1938% | 0.3089% |
| 访问率 | 3.8201% | 4.8543% |
| 曝光率 | 0.0000% | 3.6037% |

### 特征字段统计信息

| 字段 | 均值 | 标准差 | 最小值 | 最大值 | 中位数 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| f0 | 19.6203 | 5.3775 | 12.6164 | 26.7453 | 21.9234 |
| f1 | 10.0700 | 0.1048 | 10.0597 | 16.3442 | 10.0597 |
| f2 | 8.4466 | 0.2993 | 8.2144 | 9.0520 | 8.2144 |
| f3 | 4.1789 | 1.3366 | -8.3984 | 4.6799 | 4.6799 |
| f4 | 10.3388 | 0.3433 | 10.2805 | 21.1235 | 10.2805 |
| f5 | 4.0285 | 0.4311 | -9.0119 | 4.1155 | 4.1155 |
| f6 | -4.1554 | 4.5779 | -31.4298 | 0.2944 | -2.4111 |
| f7 | 5.1018 | 1.2052 | 4.8338 | 11.9984 | 4.8338 |
| f8 | 3.9336 | 0.0567 | 3.6351 | 3.9719 | 3.9719 |
| f9 | 16.0276 | 7.0190 | 13.1901 | 75.2950 | 13.1901 |
| f10 | 5.3334 | 0.1682 | 5.3004 | 6.4739 | 5.3004 |
| f11 | -0.1710 | 0.0228 | -1.3839 | -0.1687 | -0.1687 |

### 特征与目标变量相关性

| 特征 | 与conversion相关性 | 与visit相关性 |
| :--- | :--- | :--- |
| f0 | -0.0380 | -0.1340 |
| f1 | 0.0831 | 0.1120 |
| f2 | -0.0142 | -0.0303 |
| f3 | -0.1042 | -0.2078 |
| f4 | 0.2986 | 0.2675 |
| f5 | -0.0868 | -0.1383 |
| f6 | -0.0720 | -0.1375 |
| f7 | 0.0437 | 0.0919 |
| f8 | -0.1306 | -0.4580 |
| f9 | 0.1562 | 0.4953 |
| f10 | 0.0983 | 0.2058 |
| f11 | -0.3122 | -0.2167 |

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
| :--- | :--- | :--- |
| 大规模样本量 | 包含13,979,592条用户记录，约1398万条数据 | 支持复杂模型训练，提高模型泛化能力，确保统计显著性 |
| 完整标注信息 | 包含treatment、conversion、visit、exposure四个关键标签，且所有字段缺失率为0% | 可直接用于uplift建模、因果推断等任务，无需额外数据清洗 |
| 多维特征覆盖 | 12维连续型特征变量，涵盖用户行为的多个维度 | 提供丰富的用户画像信息，支持精细化用户分群和个性化推荐 |
| 真实业务场景 | 源自Criteo真实广告投放数据，经过专业特征工程处理 | 模型训练结果具有实际业务指导意义，可直接应用于真实营销场景 |
| 脱敏处理完善 | 数据经过严格脱敏，保护用户隐私 | 可安全用于学术研究和商业应用，符合数据隐私合规要求 |
| 清晰的实验设计 | treatment组占85%，控制组占15%，曝光仅出现在treatment组 | 符合随机对照实验设计原则，支持准确的因果效应估计 |

## 数据样例

以下为从数据集中随机抽取的15条记录样例，展示了数据集的多样性特征：

### 元数据与标签样例

| f0 | f1 | f2 | f3 | f4 | f5 | f6 | f7 | f8 | f9 | f10 | f11 | treatment | conversion | visit | exposure |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| 21.2655 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -12.6418 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 0 | 0 | 0 | 0 |
| 25.7443 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -3.2821 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 12.6164 | 10.0597 | 8.8135 | 4.6799 | 10.2805 | 4.1155 | 0.2944 | 4.8338 | 3.9065 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 12.6164 | 10.0597 | 8.8763 | 4.6799 | 10.2805 | 4.1155 | 0.2944 | 4.8338 | 3.8959 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 14.0706 | 10.0597 | 8.2144 | -2.3457 | 10.2805 | 4.1155 | -16.4791 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 22.7097 | 10.0597 | 8.3992 | 4.6799 | 10.2805 | 4.1155 | -5.1167 | 4.8338 | 3.9108 | 24.4521 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 14.4313 | 10.0597 | 8.2144 | 2.5875 | 10.2805 | 4.1155 | -3.9938 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 25.4528 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -4.5955 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 15.6191 | 10.0597 | 8.8338 | 3.9077 | 10.2805 | 4.1155 | -3.9938 | 4.8338 | 3.9554 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 25.3049 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -2.4111 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 0 | 0 | 0 | 0 |
| 22.2888 | 10.0597 | 8.8763 | 4.6799 | 10.2805 | 4.1155 | -10.7644 | 4.8338 | 3.8534 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 23.7293 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -3.2821 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 12.6164 | 10.0597 | 8.6783 | 4.6799 | 10.2805 | 4.1155 | 0.2944 | 4.8338 | 3.8874 | 28.7602 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 12.6164 | 10.0597 | 9.0071 | 4.6799 | 10.2805 | 4.1155 | 0.2944 | 4.8338 | 3.8901 | 13.1901 | 5.3004 | -0.1687 | 1 | 0 | 0 | 0 |
| 21.9234 | 10.0597 | 8.2144 | 4.6799 | 10.2805 | 4.1155 | -12.6418 | 4.8338 | 3.9719 | 13.1901 | 5.3004 | -0.1687 | 0 | 0 | 0 | 0 |

以上样例展示了不同特征组合、treatment分组的多样性。数据集中包含更多样例，覆盖了特征的全值域范围，如f9的最大值可达75.2950，f6的最小值可达-31.4298，体现了用户行为的丰富多样性。

## 应用场景

### Uplift模型训练与评估

Uplift建模是本数据集最核心的应用场景。通过该数据集，研究人员和工程师可以训练和评估各种uplift模型，包括基于树的方法、神经网络方法、因果森林等。数据集中的treatment标签提供了天然的随机对照实验框架，使得模型能够准确估计营销活动对用户行为的增量影响。转化、访问和曝光标签则提供了多层次的评估指标，支持从不同角度评估模型性能。例如，可以训练模型识别哪些用户属于"可被说服者"（persuadable），即只有在收到广告时才会转化的用户，从而实现精准营销资源分配，提升ROI。此外，数据集的大规模特性使得研究人员能够进行充分的交叉验证，确保模型的稳定性和泛化能力。

### 因果推断与效应估计

在学术研究领域，该数据集可用于验证和比较各种因果推断方法的有效性。研究人员可以利用该数据集评估不同的treatment效应估计方法，如双重机器学习（Double ML）、工具变量法、断点回归等。数据集中exposure字段仅在treatment组中存在的设计，为研究曝光的实际效应提供了独特的机会。通过对比控制组和处理组的转化差异，并结合曝光信息，可以更精确地估计广告曝光的真实因果效应，排除混杂因素的影响。这对于理解营销活动的实际作用机制具有重要意义，能够帮助研究人员建立更准确的因果推断模型。

### 个性化营销策略优化

企业可以利用该数据集进行个性化营销策略的优化。通过分析不同用户特征与转化、访问行为的相关性，可以识别出对营销活动响应最为敏感的用户群体。例如，根据特征f4和f11与conversion的高度相关性（分别为0.2986和-0.3122），可以构建用户分群模型，将用户划分为不同的响应类别，如"可被说服者"、"必定转化者"、"必定不转化者"和"反效果者"。针对不同类别的用户，可以制定差异化的营销策略，如对高响应用户增加投放频率，对低响应用户调整广告内容或减少投放，从而实现营销资源的最优配置，最大化营销效果。

### 广告投放效果归因分析

在广告技术领域，准确的效果归因是衡量广告投放成功与否的关键。该数据集提供了完整的用户行为链路数据，包括曝光、访问和转化三个关键环节，支持多触点归因分析。通过分析treatment组和控制组在不同环节的差异，可以量化广告在每个环节的贡献。例如，处理组的访问率（4.8543%）明显高于控制组（3.8201%），转化率（0.3089%）也高于控制组（0.1938%），这些数据可以直接用于计算广告的增量访问价值和增量转化价值，为广告投放效果评估提供科学依据。此外，数据集的大规模特性确保了统计结果的可靠性，使得企业能够做出更明智的投放决策。

### 推荐系统与用户行为预测

该数据集的12维特征提供了丰富的用户行为信息，可用于构建用户行为预测模型。通过分析特征与访问、转化行为的相关性，可以预测用户的潜在需求和行为倾向。例如，特征f9与visit的相关性高达0.4953，表明该特征对用户访问行为有很强的预测能力。基于这些特征，可以构建个性化推荐系统，为用户推荐更符合其兴趣的产品或内容，提升用户体验和转化率。同时，数据集的大规模特性确保了模型的泛化能力，使得训练出的模型能够在实际业务场景中表现稳定。此外，通过结合treatment信息，还可以分析不同推荐策略对用户行为的影响，进一步优化推荐算法。

## 结尾

Criteo Uplift营销效果评估数据集是目前公开可用的规模最大、质量最高的uplift建模基准数据集之一。该数据集以其约1398万条用户级记录、完整的标注信息、丰富的特征维度和真实的业务场景，为学术研究和工业实践提供了理想的研究基础。数据的高完整性（所有字段缺失率为0%）和严谨的实验设计使其成为因果推断、uplift建模、个性化营销等领域的标准基准。

该数据集的核心价值在于它不仅提供了大规模的用户行为数据，更重要的是包含了精心设计的随机对照实验信息，使得研究人员能够进行准确的因果效应估计。这对于解决营销领域中长期存在的"归因难题"具有重要意义。无论是用于学术研究验证新算法，还是用于企业优化营销策略，该数据集都具有不可替代的价值。

如需获取更多关于数据集使用的技术支持或相关资源，可私信获取详细信息。该数据集可自由用于学术研究和商业应用，但使用时请遵循相关数据使用规范和隐私保护要求。