Usa i tuoi modelli preferiti in combinazione con i meta-studenti per fare affermazioni causali valide
Immagina di aver creato un fantastico modello di machine learning in grado di prevedere il valore target con grande precisione. In alcuni casi, il tuo lavoro potrebbe essere finito a questo punto. Spesso però l’azienda non vuole solo sapere cosa Volere accadere ma come farlo influenza anche il risultato. Fedele al motto:
Conoscere il futuro è d’argento, poterlo cambiare è d’oro.
Questa semplice verità è ovvia, lo sai dalla tua vita personale. Conoscere i numeri della lotteria per la prossima settimana è utile, ma solo se puoi regolare i tuoi numeri di conseguenza.
Come esempio aziendale, prendiamo il problema di fidelizzazione dei clienticioè, i clienti che smettono di fare affari con te. Sapere che un cliente vuole lasciarti è positivo, ma la vera domanda è: come evitare che questo cliente abbandoni?
L’azienda vuole una soluzione intervento ad esempio distribuendo un coupon o concedendo a questo cliente una sorta di upgrade di abbonamento. Qualcosa che l’azienda può influenzare per ridurre la probabilità di abbandono.
Se X = “dai un buono al cliente” e sì = probabilità di abbandono che vogliamo essere in grado di realizzare affermazioni causali: Se lo faccio Xcosa succede con sì? Alla gente piace anche chiamarlo scenari ipotetici. X si chiama a variabile del trattamento.
Questo è più difficile che fare affermazioni correlazionali. Osservare che le vendite di gelati sono correlate agli attacchi di squali è facile. Ma l’uno causa l’altro? Probabilmente no. È piuttosto il bel tempo che spinge le persone a comprare il gelato e a fare il bagno in mare, esponendole agli squali. Quindi, chiudere tutte le gelaterie per ridurre gli attacchi di squali molto probabilmente non funzionerà.
In questo articolo ti mostrerò come arrivare alle conclusioni corrette. I metodi che sto per mostrarti lo sono estremamente semplice da svolgere a livello algoritmico: si tratta semplicemente di addestrare i modelli e post-elaborare leggermente le loro previsioni…
Fonte: towardsdatascience.com
