DoorDash
ciblage causal des promotions (personnalisation des offres)
DoorDash cible ses promotions par causal machine learning en estimant l'uplift de chaque client ; l'approche personnalisee reduit le cout par commande incrementale de pres de moitie a performance de vente equivalente.
L'essentiel
- Ciblage causal des promotions : effet incremental estime par client, puis allocation sous budget.
- Framework causal in-house (double machine learning, meta-apprenants T-learner et S-learner).
- Cout par commande incrementale reduit de pres de moitie a lift equivalent.
- Preuve B, statut confirme, presente au workshop causal ML de KDD 2025.
Objectif
Depenser le budget promotionnel la ou il cree vraiment des commandes supplementaires, au lieu de subventionner des commandes qui auraient eu lieu sans promo.
Le déploiement
DoorDash estime, par causal machine learning, l'effet incremental d'une promotion sur la probabilite de commande de chaque utilisateur, puis choisit quelles promos envoyer sous contrainte de budget. Le cadre a deux etages: d'abord estimer la reponse causale par client avec des methodes comme le double machine learning et les meta-apprenants, puis optimiser l'allocation des offres. Le probleme adresse est celui des promotions non incrementales, ou une remise recompense une commande qui aurait eu lieu de toute facon et brule de la marge. Le travail a ete presente au workshop causal ML de KDD 2025.
Résultats Preuve B
Papier technique des equipes DoorDash presente au workshop causal ML de KDD 2025, avec un resultat chiffre (cout par commande incrementale divise par pres de deux), plus un billet d'ingenierie officiel concordant. Pas de chiffre financier consolide, d'ou un niveau B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Framework causal in-house DoorDash Cadre a deux etages: estimation de l'uplift par client (double machine learning, meta-apprenants T-learner et S-learner), presente au workshop causal ML de KDD 2025.
- outil Optimiseur d'allocation sous contrainte Choisit quels clients recoivent quelle offre pour maximiser les commandes incrementales dans le budget promo fixe.
- infra App et CRM DoorDash (envoi des offres) Canaux internes par lesquels les promotions ciblees sont delivrees, puis l'incremental reel mesure pour reentrainer le modele.
Comment ça tourne, concrètement
Pour les équipes ops-
1Definition de la campagne marketing
L'equipe marketing fixe l'objectif et le budget de la campagne promotionnelle.
-
2Estimation de la reponse causale IA
Un modele causal estime l'effet incremental de la promo sur la probabilite de commande de chaque client.
-
3Optimisation de l'allocation IA
Le systeme choisit quels clients cibler pour maximiser les commandes incrementales sous contrainte de budget.
-
4Envoi et mesure equipe data
Les offres ciblees sont envoyees, puis l'incremental reel est mesure pour reentrainer le modele.
L'uplift causal estime par client, soit la difference de probabilite de commande avec et sans promo. Sans mesure causale, on confond correlation et effet et le budget se disperse sur des commandes non incrementales.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique de commandes avec exposition aux promos
- identifiant client stable
- resultats d'experiences ou de variation naturelle pour ancrer le causal
Prérequis orga
- equipe data science a l'aise avec l'inference causale
- capacite d'A/B testing
- budget promo pilotable par segment
Stack possible
- double machine learning et meta-apprenants pour l'uplift
- optimiseur sous contrainte
- outil d'envoi CRM
Le plan, étape par étape
- Étape 1Auditer l'historique promo: expositions aux offres, commandes, identifiant client stable.Livrable : Dataset exposition-resultat pret pour la modelisation
- Étape 2Construire l'estimation d'uplift (double machine learning ou meta-apprenants) sur une promo passee.Livrable : Modele d'uplift valide offline (uplift par decile, courbes Qini)
- Étape 3Ajouter l'optimisation d'allocation sous budget et definir la campagne test.Livrable : Plan de campagne: bras cible par uplift contre bras uniforme, budget fixe
- Étape 4Lancer le test controle ciblage par uplift contre envoi uniforme.Livrable : Lecture du cout par commande incrementale des deux bras
- Étape 5Industrialiser: reentrainement par campagne et mesure incrementale systematique.Livrable : Pipeline promo causal reutilisable sur chaque campagne
Première étape : Estimer l'uplift causal d'une promo existante sur un segment, puis comparer un ciblage par uplift a un envoi uniforme.
Le même pattern, prouvé dans d'autres industries
American Express
detection de fraude en temps reel par apprentissage profond
Lemonade
souscription et gestion de sinistres pilotees par IA
Mastercard
scoring de risque de transaction en temps reel
Sources
- S1 Causal Machine Learning for Promotions: Industry Evidence and Applications (KDD 2025 Workshop) Primaire archive à générer
- S2 Smarter promotions with causal machine learning Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.