Treffen Sie effektive umsetzbare Entscheidungen, um Geschäfts-KPIs durch den Einsatz von kausalem maschinellem Lernen zu optimieren

Die Kausalanalyse in der Plattform für maschinelles Lernen Azure Machine Learning Studio kann kausale Fragen durch ein End-to-End-Automatisierungsframework beantworten.

Übersetzer |. Li Rui

Rezensent |. In verschiedenen Szenarien können häufig verwendete Modellierungstechniken für maschinelles Lernen die wahren Beziehungen in den Daten missverstehen. Hier versuchen wir, dieses Paradigma zu ändern, um umsetzbare Erkenntnisse über falsche Korrelationen hinaus zu finden, die auf der Schätzung kausaler Zusammenhänge und der Messung von Behandlungseffekten auf die Ergebnisse der Ziel-Key-Performance-Indikatoren (KPI) basieren. ​

Die Motivation des kausalen maschinellen Lernens​

Angenommen, die historischen Daten oder Beobachtungsdaten eines bestimmten Produkts eines bestimmten Unternehmens im vergangenen Jahr werden abgerufen und 5 % der Kunden dieses Produkts gehen verloren. Dann besteht das Ziel des Unternehmens darin, die Abwanderung durch gezielte Kampagnen zu reduzieren. In der Regel wird ein klassisches Neigungsmodell zur Abwanderungsvorhersage (Neigungsbewertung – kovariate Abwanderungswahrscheinlichkeit des Kundenverhaltens) erstellt, das den Kunden durch die Auswahl von Schwellenwerten Rabatte oder Upsells/Cross-Sells vorschreibt. ​

Unternehmensmanager möchten nun die Wirksamkeit der Kundenabwanderung vorhersagen, z. B. ob die Kunden des Unternehmens aufgrund von Werbeaktionen oder Marketingaktivitäten gehalten werden oder ob das Gegenteil der Fall ist. Dazu sind herkömmliche AB-Teststandardexperimente erforderlich, und die Experimente erfordern einige Zeit. und in manchen Fällen auch undurchführbar und kostspielig. ​

Wir müssen also über Themen nachdenken, die über das Neigungsmodell hinausgehen. Eine Abwanderungsvorhersage mit Aufsicht ist nützlich, jedoch nicht immer, da es an Empfehlungen zur Empfehlung der nächstbesten Aktion in hypothetischen Situationen mangelt. Das Problem, diejenigen personalisierten Kunden anzusprechen, die in der Lage sind, positiv auf das Marketingangebot eines Unternehmens zu reagieren, ohne Geld für Fehlerfälle zu verschwenden, und dadurch die nächstbeste Aktion/Intervention zu ergreifen und zukünftige Ergebnisse zu ändern (z. B. Maximierung der Kundenbindung), ist die kausale Inferenz-Lift-Modellierung in .

Beim Verständnis bestimmter kontrafaktischer Fragen in der Verbraucherwelt, z. B. wie würde sich das Verbraucherverhalten ändern, wenn die Einzelhandelspreise erhöht oder gesenkt würden (welche Auswirkungen hat der Preis auf Verhaltensmuster)? Wenn ein Unternehmen seinen Kunden Werbung zeigt, werden diese das Produkt kaufen (Auswirkung der Werbung auf den Kauf)? Dazu gehört die datengesteuerte Entscheidungsfindung durch kausale Modellierung. ​

Im Allgemeinen konzentrieren sich Vorhersage- oder Prognosefragen darauf, wie viele Personen sich im nächsten Monat anmelden werden, während es bei Kausalfragen darum geht, was passieren wird, wenn sich einige Richtlinien ändern (z. B. wie viele Personen abonnieren werden, wenn eine Kampagne gestartet wird). .

Die Kausalanalyse geht noch einen Schritt weiter. Es soll verschiedene Aspekte des Datengenerierungsprozesses ableiten. Mit Hilfe dieser Aspekte kann man nicht nur auf die Wahrscheinlichkeit von Ereignissen unter statischen Bedingungen schließen, sondern auch auf die Dynamik von Ereignissen unter sich ändernden Bedingungen. Diese Fähigkeit umfasst die Vorhersage der Auswirkungen von Handlungen (z. B. Behandlungs- oder Richtlinienentscheidungen), die Bestimmung der Ursachen gemeldeter Ereignisse sowie die Beurteilung von Verantwortung und Zuschreibung (z. B. ob Ereignis x notwendig oder ausreichend war, damit Ereignis y eintrat).

Wenn man überwachtes maschinelles Lernen nutzt, um Modelle mithilfe von Pseudokorrelationsmustern vorherzusagen, geht man implizit davon aus, dass die Dinge so weitergehen, wie sie in der Vergangenheit waren. Gleichzeitig wird die Umwelt durch Entscheidungen oder Maßnahmen, die auf vorhergesagten Ergebnissen basieren, aktiv verändert, sodass diese Muster häufig durchbrochen werden. ​

Von der Vorhersage zur Entscheidungsfindung​

Für die Entscheidungsfindung müssen Sie die Merkmale finden, die zum Ergebnis führen, und abschätzen, wie sich das Ergebnis ändern wird, wenn sich die Merkmale ändern. Viele datenwissenschaftliche Probleme sind kausale Probleme, und die Schätzung kontrafaktischer Zusammenhänge ist in Entscheidungsszenarien üblich. ​

A/B-Experiment: Wenn Sie die Farbe der Schaltflächen auf Ihrer Website ändern, führt das zu einem höheren Engagement? ​

• Richtlinienentscheidung: Wenn diese Behandlung/Richtlinie übernommen wird, wird dies zu einer Veränderung der Ergebnisse führen? ​
• Richtlinienbewertung: Änderungen, die das Unternehmen in der Vergangenheit vorgenommen hat? Bisher ist bekannt, wie sich die Ergebnisse geändert haben. Haben die geltenden Richtlinien den Produkten, die sie ändern wollten, geholfen oder sie erschwert?
• Kreditzuordnung: Haben die Leute den Artikel gekauft, weil sie die Anzeige gesehen haben? ​
• Was sind kausale Zusammenhänge und kausale Wirkungen? ​

Wenn eine Handlung oder Behandlung (T) ein Ergebnis (Y) verursacht, dann und nur dann, wenn die Handlung (T) eine Änderung des Ergebnisses (Y) verursacht, alles andere konstant halten. Kausalität bedeutet, dass durch die Änderung eines Faktors ein anderer Faktor geändert werden kann. ​

Zum Beispiel: Wenn Aspirin Kopfschmerzen lindern kann, verändert es nur den Zustand der Kopfschmerzen. ​

Wenn Marketing eine Umsatzsteigerung bewirken kann, genau dann, wenn Marketingaktivitäten eine Umsatzveränderung bewirken können, dann kann alles andere beim Alten bleiben. ​

Der kausale Effekt ist das Ausmaß der Änderung von Y bei einer Einheitsänderung von T, nicht umgekehrt:​

Kausaler Effekt = E [Y |. do(T=1)] – E [Y |. do (T = 0)] (Judea Pearls Do-Kalkül)

Kausale Schlussfolgerung erfordert Domänenwissen, Annahmen und Fachwissen. Das ALICE-Forschungsteam von Microsoft hat die Open-Source-Bibliotheken DoWhy und EconML entwickelt, um die Arbeit und das Leben der Menschen zu erleichtern. Der erste Schritt bei jeder Kausalanalyse besteht darin, eine klare Frage zu stellen: ​

• An welcher Behandlung/Maßnahme sind Sie interessiert? ​
• Welche Ergebnisse möchten Sie berücksichtigen? ​
• Welche Störfaktoren könnten mit dem Ergebnis zusammenhängen? und Behandlung?

Kausalanalyse-Pipeline: End-to-End-Kausalinferenz (DECI) basierend auf Deep Learning (Microsoft-Patent). ​

Kausale Entdeckung – kausale Identifizierung – kausale Schätzung – kausale Verifizierung. ​

Responsible AI Dashboard (Azure Machine Learning Studio): Ursachenanalyse​

Diese Funktion basiert auf der Interpretation des angepassten Modells in der Modellregistrierung, die erreicht werden kann, wenn ein kausales Verständnis desselben vorhanden ist Variablen Erkunden Sie, was passieren könnte. Die kausalen Auswirkungen verschiedener Merkmale können beobachtet und mit idiosynkratischen Effekten verglichen werden. Außerdem können verschiedene Gruppen beobachtet werden und welche Merkmale oder Richtlinien für sie am besten funktionieren. ​

• DECI: Bietet einen Rahmen für durchgängige kausale Schlussfolgerungen, der auch allein zur Entdeckung oder Schätzung verwendet werden kann. ​
• EconML: Bietet mehrere Methoden zur Kausalitätsschätzung. ​
• DoWhy: Bietet mehrere Identifizierungs- und Verifizierungsmethoden. ​
• ShowWhy: Bietet codefreie End-to-End-Ursachenanalyse für die kausale Entscheidungsfindung in einer benutzerfreundlichen grafischen Benutzeroberfläche (GUI).

Zusammenfassung

Moderne Algorithmen für maschinelles Lernen und Deep Learning können komplexe Muster in Daten finden, die Black-Box-Algorithmen interpretieren, und ihre Interpretationen können bedeuten, was der Algorithmus für maschinelles Lernen aus der Welt gelernt hat. ​

Wenn diese erlernten maschinellen Lernalgorithmen auf die Gesellschaft angewendet werden, um politische Entscheidungen wie Kreditgenehmigungen und Krankenversicherungspolicen zu treffen, spiegelt die Welt, die sie lernen, nicht unbedingt gut wider, was in der Welt vor sich geht.

Datengesteuerte Vorhersagemodelle sind jedoch transparent, können sie aber nicht wirklich erklären. Die Interpretierbarkeit erfordert ein Kausalmodell (wie durch den Irrtum in Tabelle 2 belegt). Kausalmodelle repräsentieren zuverlässig einen Prozess in der Welt. Erklärbare KI sollte in der Lage sein, vernünftige Entscheidungen ohne Voreingenommenheit zu treffen. ​

Originaltitel: ​​Kausale Analyse in Azure Machine Learning Studio zur Beantwortung Ihrer Kausalfragen durch ein durchgängig automatisiertes Framework​​, Autor: Hari Hara

Das obige ist der detaillierte Inhalt vonTreffen Sie effektive umsetzbare Entscheidungen, um Geschäfts-KPIs durch den Einsatz von kausalem maschinellem Lernen zu optimieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!