AI cauzală folosește modele ale relațiilor cauză–efect pentru întrebări despre intervenții: ce se schimbă dacă firma modifică o acțiune? O predicție estimează un rezultat în condițiile observate; analiza cauzală urmărește efectul schimbării unei condiții. Pentru antreprenori, diferența contează când trebuie aleasă o promoție, evaluată o modificare a fluxului de vânzare sau comparate două intervenții asupra aceluiași proces.
Vânzări mai mari în timpul unei promoții: ce întrebare analizăm
Un magazin poate observa că săptămânile cu promoții au vânzări mai mari. Această asociere este utilă pentru descrierea datelor, dar întrebarea comercială este mai precisă: câte vânzări suplimentare produce promoția față de situația în care nu ar fi fost aplicată? Pentru aceeași perioadă, magazinul vede doar rezultatul acțiunii efectiv alese.
Într-un exemplu demonstrativ, sezonalitatea influențează atât decizia de a organiza promoția, cât și cererea. Campania poate fi programată înaintea unei sărbători tocmai pentru că interesul este deja crescut. Dacă atribuim toată diferența promoției, amestecăm efectul urmărit cu această cauză comună. Analiza începe prin descrierea procesului, nu prin alegerea algoritmului cu cea mai bună predicție.
Sezonalitatea este aici un factor de confuzie, numit și confounder: influențează atât aplicarea promoției, cât și vânzările. Identificarea acestor factori separă întrebarea „ce se întâmplă împreună?” de întrebarea „ce schimbă intervenția?”. Explicarea unei predicții arată cum a calculat modelul un rezultat; analiza cauzală urmărește efectul unei acțiuni asupra procesului real.
Ce arată un graf cauzal
Schema folosește S pentru sezonalitate, P pentru promoție și Y pentru vânzări. Săgețile S către P și S către Y reprezintă ipoteza că sezonul influențează ambele variabile. Săgeata P către Y reprezintă relația al cărei efect vrem să îl estimăm. Acesta este un model demonstrativ al procesului, nu un rezultat obținut din datele unui client.
Două trasee între promoție și vânzări
Un graf trebuie discutat cu oamenii care cunosc activitatea. Într-un proiect real se stabilesc variabila schimbată, rezultatul măsurat, perioada de evaluare și cauzele comune relevante. Poate conta și faptul că o reducere a fost trimisă numai clienților cu risc de abandon. Istoricul acestora influențează atât primirea ofertei, cât și probabilitatea unei comenzi.
Alegerea coloanelor pentru ajustare depinde de structura cauzală propusă. Introducerea tuturor datelor disponibile într-o regresie nu rezolvă automat problema: unele variabile pot fi consecințe ale promoției sau pot introduce alte distorsiuni. Documentația DoWhy separă două etape: identificarea stabilește, pe baza ipotezelor cauzale, dacă și cum poate fi calculat efectul din date; estimarea aplică metoda aleasă și produce valoarea numerică.
Trei întrebări care cer analize diferite
O întrebare predictivă poate fi „ce vânzări estimăm mâine pentru condițiile cunoscute?”. O întrebare despre intervenție este „cum s-ar modifica vânzările dacă am aplica o promoție definită?”. O întrebare contrafactuală privește o situație deja produsă: „ce rezultat ar fi avut acea situație dacă acțiunea ar fi fost diferită?”. Ultima necesită un model și ipoteze despre mecanismul cazului analizat.
Alege întrebarea înaintea metodei
-
Predicție
Estimăm rezultatul pentru condițiile descrise de intrări, folosind datele disponibile la momentul analizei.
-
Intervenție
Estimăm schimbarea rezultatului dacă aplicăm o acțiune definită unei populații și într-o perioadă stabilite.
-
Contrafactual
Analizăm o situație deja produsă sub o acțiune alternativă, folosind un model al mecanismului și ipotezele acestuia.
Aceste întrebări nu sunt rezolvate prin schimbarea formulării unui prompt. Un model lingvistic poate ajuta la organizarea unui plan de analiză sau la explicarea unui raport, însă efectul trebuie calculat printr-o metodă adecvată datelor și designului studiului. Textul care descrie analiza trebuie să păstreze diferența dintre o asociere observată și un efect estimat prin acel design.
Un experiment simplificat și calculul efectului
Să presupunem un experiment demonstrativ cu două grupuri de câte 1.000 de vizitatori eligibili, alocați aleatoriu în aceeași perioadă. Grupul de control vede oferta obișnuită, iar grupul de test vede promoția definită. Urmărim aceeași fereastră de conversie și numărăm vizitatori care au comandat, o singură dată pentru fiecare persoană.
| Grup | Vizitatori / cumpărători | Conversie |
|---|---|---|
| Control | 1.000 / 100 | 10% |
| Promoție | 1.000 / 120 | 12% |
| Diferență | 20 cumpărători la grupuri egale | 2 puncte procentuale |
Diferența dintre 12% și 10% este de două puncte procentuale, echivalentă cu o creștere relativă de 20%. Calculul nu înlocuiește evaluarea statistică. Raportul experimentului trebuie să includă intervalul de incertitudine al efectului estimat, numărul de vizitatori analizați și verificarea faptului că alocarea aleatorie în grupuri a fost aplicată corect. Numărul de vizitatori din exemplu ilustrează aritmetica; dimensiunea unui test real se stabilește în funcție de efectul urmărit și de precizia cerută.
Ce pregătești când folosești date istorice
Dacă experimentele nu sunt disponibile, analiza observațională cere ipoteze explicite despre selecția în grupuri și factorii care influențează rezultatul. Verifică momentele acțiunilor, istoricul disponibil înainte de intervenție și definițiile comune ale indicatorilor. Două exporturi cu aceeași denumire de coloană pot folosi ferestre de atribuire sau filtre diferite.
Verificările de sensibilitate și de robustețe analizează cum se schimbă estimarea când modificăm ipotezele sau anumite alegeri ale analizei. Dacă rezultatul se schimbă puternic, raportul trebuie să arate de ce și ce informație suplimentară este necesară. Concluzia operațională precizează intervenția, grupul analizat, perioada și ipotezele pe care se bazează estimarea.
Fișa unei evaluări de promoție
-
Acțiune și populație
Descrie oferta, persoanele eligibile, perioada și modul de alocare în grupuri. Păstrează tratamentul consecvent.
-
Rezultat și măsurare
Definește cumpărătorul, fereastra de conversie și indicatorii comerciali urmăriți. Verifică evenimentele înainte de test.
-
Analiză și decizie
Raportează diferența, precizia estimării și verificările designului. Leagă interpretarea de acțiunea stabilită anticipat.
De la analiză la decizia antreprenorului
Alege indicatorul care corespunde deciziei. O promoție poate schimba conversia și, simultan, valoarea comenzilor, marja sau numărul de retururi. Aceste rezultate se măsoară separat, pentru aceeași intervenție și perioadă. Echipa stabilește înaintea testului ce decizie va lua și ce indicatori trebuie urmăriți, fără să aleagă retrospectiv doar rezultatul favorabil.
WebHat poate pregăti colectarea și integrarea datelor, interfețele de experiment și afișarea rezultatelor în aplicații custom cu funcții AI. Metoda de analiză și designul experimental se stabilesc împreună cu persoana responsabilă de evaluare. Un prim proiect bine delimitat poate compara două variante ale unui flux, cu evenimente măsurate consecvent și o acțiune clară după analiză.
Întrebări despre AI cauzală
O predicție precisă demonstrează cauza?
Precizia arată cât de bine este estimat rezultatul pe datele evaluate. Efectul unei intervenții cere un design cauzal și ipotezele corespunzătoare.
Este suficient un test înainte și după?
Comparația trebuie să trateze și schimbările simultane: sezon, trafic, prețuri sau alte campanii. Designul stabilește cum sunt separate aceste influențe.
AI cauzală înseamnă obligatoriu deep learning?
Nu. Analiza cauzală poate folosi experimente, modele statistice, grafuri și diferite metode de estimare. Alegerea pornește de la întrebarea și datele proiectului.
Care este primul document de pregătit?
O fișă cu intervenția, grupul vizat, rezultatul, perioada, mecanismul de alocare și posibilele cauze comune. Aceasta ghidează colectarea și analiza datelor.
