Uplift modeling é um tipo de análise de dados que usa técnicas de modelagem preditiva para identificar aqueles indivíduos que podem ser positivamente influenciados por um esforço de alcance.
Uplift modeling está frequentemente associado a campanhas políticas, publicidade e cuidados de saúde. Em qualquer grupo de eleitores, clientes potenciais ou pacientes, por exemplo, alguns indivíduos estarão "na cerca" sobre um curso de ação futura, mas podem ser influenciados por conversar com um candidato, estilista ou assistente médico. O objetivo da modelagem de uplift é apenas gastar tempo, dinheiro ou esforço em indivíduos que realmente precisam ser mensurados antes que eles tomem um determinado curso de ação.
A modelagem de uplift requer que os cientistas de dados construam modelos de dados que identifiquem com precisão as características de indivíduos que requerem contato pessoal antes de tomar uma decisão. A construção do controle necessário e grupos de teste pode levar tempo, e o refinamento dos modelos preditivos pode levar muita paciência. Como os critérios para identificar tais indivíduos podem ser tão matizados, os testes são frequentemente feitos de forma incremental. Por esta razão, a modelagem ascendente é frequentemente chamada de modelagem incremental.