因果的機械学習を使用してビジネス KPI を最適化するための効果的な実行可能な意思決定を行う

機械学習プラットフォームでの因果分析 Azure Machine Learning Studio は、エンドツーエンドの自動化フレームワークを通じて因果関係の質問に答えることができます。

翻訳者 | Li Rui

査読者 | Sun Shujuan

さまざまなシナリオにおいて、一般的に使用される機械学習モデリング手法は、データ内の真の関係を誤解する可能性があります。ここでは、因果関係の推定と目標の主要業績評価指標 (KPI) の結果に対する治療効果の測定に基づいて、誤った相関関係を超えた実用的な洞察を見つけるために、このパラダイムを変更しようとしています。

因果的機械学習の動機

ある企業の、ある製品の過去1年間の履歴データまたは観測データが取得されたとします。製品が顧客の 5% を失った場合、企業の目標は、対象を絞ったキャンペーンを通じて解約率を下げることです。通常、古典的な顧客離脱予測傾向モデル (傾向スコア - 顧客行動の共変量離脱確率) が構築され、しきい値を選択することで顧客に対する割引やアップセル/クロスセルを規定します。

さて、経営者は、会社の顧客がプロモーションやマーケティング活動によって維持されるのか、それともその逆なのかなど、顧客離れの有効性を予測したいと考えていますか?これには従来の AB テストの標準的な実験が必要で、実験にはある程度の時間がかかります時間がかかり、実現不可能で、場合によっては費用がかかります。

したがって、傾向モデルを超えた問題について考える必要があります。監視付きのチャーン予測は便利ですが、仮説的な状況で次善のアクションを推奨するための推奨事項が欠けているため、毎回ではありません。失敗事例にお金を無駄にすることなく、企業のマーケティング提案に前向きに対応できるパーソナライズされた顧客をターゲットにし、それによって次善のアクション/介入を実行し、将来の結果を変える (例: リテンションの最大化) という問題は、 における因果推論リフト モデリングです。

小売価格が上がるか下がると消費者の行動はどのように変化するか（行動パターンに対する価格の影響は何か）など、消費者の世界における特定の反事実的な質問を理解するとき。企業が顧客に広告を表示した場合、顧客は製品を購入しますか (購入に対する広告の影響)?これには、因果モデリングによるデータ主導の意思決定が含まれます。

一般に、予測または予測の質問は、来月に何人の人が購読するかに焦点を当てますが、因果関係のある質問は、何らかのポリシーが変更された場合に何が起こるかを尋ねます（たとえば、何人の人が購読するかなど）。イベント）。

因果分析はさらに進みます。データ生成プロセスのさまざまな側面を推論するように設計されています。これらの側面の助けを借りて、静的な条件下でのイベントの可能性だけでなく、変化する条件下でのイベントのダイナミクスも推測できます。この能力には、行動の影響（例：治療や方針の決定）の予測、報告された事象の原因の特定、責任と帰属の評価（例：事象 y が発生するのに事象 x が必要か十分か）が含まれます。

教師あり機械学習を使用して、擬似相関パターンを使用してモデルを予測する場合、物事は過去と同じように続くという暗黙の仮定が存在します。同時に、予測された結果に基づいて行われた決定や行動の結果として、環境は積極的に変化し、多くの場合これらのパターンを破ります。

予測から意思決定へ

意思決定では、結果につながる特性を見つけ、特性が変化した場合に結果がどのように変化するかを予測する必要があります。データ サイエンスの問題の多くは因果関係の問題であり、反事実を推定することは意思決定のシナリオでは一般的です。

• A/B 実験: Web サイトのボタンの色を変更すると、エンゲージメントが向上しますか?
• 政策決定: この治療法/政策が採用された場合、結果はどのように変化しますか?これにより、患者の健康状態が改善され、収益が増加しますか?
• 政策評価: 何が変わりますか?その会社が過去に作ったもの、または現在までに知られているもの、そしてその結果はどのように変化したのか、またその会社が作成したポリシーは、その会社が変更しようとしていた製品を助けたのか妨げたのか?
• クレジット帰属: 人々は購入します理由は何ですか? 広告を見ますか? 彼らはそれを購入しますか?

因果関係と因果関係とは何ですか?

行動または治療 (T) が結果 (Y) を引き起こす場合) 、アクション (T) の結果として結果 (Y) が変化する場合に限り、他のすべてを一定に保ちます。因果関係とは、ある要因を変えると別の要因も変わる可能性があることを意味します。

例: アスピリンが頭痛を和らげる場合、それはアスピリンが頭痛に変化を引き起こす可能性がある場合にのみ起こります。

マーケティングが売上増加をもたらすことができる場合、マーケティング活動が売上に変化をもたらすことができる場合に限り、他のすべては同じままでかまいません。

因果効果は、T の単位変化に伴う Y の変化の大きさであり、その逆ではありません。

因果効果 = E [Y | do(T=1)] - E [Y | do (T = 0)] (Judea Pearl の Do-Calculus)

因果推論には、ドメインの知識と仮定が必要です。専門知識。 Microsoft の ALICE 研究チームは、人々の仕事と生活を容易にするために、DoWhy および EconML オープン ソース ライブラリを開発しました。因果関係分析の最初のステップは、明確な質問をすることです:

• どのような治療/アクションに興味がありますか?
• どんな結果を考慮したいですか?
• どのような交絡因子が転帰と治療に関連している可能性がありますか?

因果分析パイプライン: 深層学習に基づくエンドツーエンドの因果推論 (DECI) (Microsoft 特許)。

因果発見-因果特定-因果推定-因果検証。

責任ある人工知能ダッシュボード (Azure Machine Learning Studio): 原因分析

この機能は、モデル レジストリの説明にモデルを当てはめることに基づいています。同じ変数の因果関係が理解できた場合に何が起こったのかを調査できます。さまざまな特性の因果効果を観察して、特異な効果と比較することができます。また、さまざまなグループを観察して、どの特性やポリシーがそれらのグループにとって最も効果的かを観察することができます。

• DECI: エンドツーエンドの因果推論のためのフレームワークを提供します。これは、発見や推定のために単独で使用することもできます。
• EconML: さまざまな因果関係推定方法を提供します。
• DoWhy: 複数の識別および検証方法を提供します。
• ShowWhy: ユーザーフレンドリーなグラフィカル ユーザー インターフェイス (GUI) で、因果関係の意思決定のためのコード不要のエンドツーエンドの因果分析を提供します。

まとめ

最新の機械学習および深層学習アルゴリズムは、ブラックボックス アルゴリズムを解釈する複雑なパターンをデータ内で見つけることができ、その解釈は、機械学習アルゴリズムが世界から学習することを意味する可能性があります。何に。

これらの学習された機械学習アルゴリズムがローンの承認や健康保険契約などの政策決定を行うために社会に適用される場合、機械学習が理解している世界は必ずしも世界をよく反映しているとは限りません。

ただし、データ駆動型の予測モデルは透明性がありますが、正確に説明することはできません。解釈可能性には因果モデルが必要です (表 2 の誤謬によって証明されているように)。因果モデルは、世界のあるプロセスを確実に表します。説明可能な AI は、偏見なく効果的な意思決定を行うための推論ができる必要があります。

元のタイトル: Azure Machine Learning Studio での因果分析。エンドツーエンドの自動フレームワークを通じて因果関係の質問に答えます。 , 著者：原 はり

以上が因果的機械学習を使用してビジネス KPI を最適化するための効果的な実行可能な意思決定を行うの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。