Каузальный inference — релиз года для тех, кто устал путать корреляцию с эффектом

Каузальный inference — релиз года для тех, кто устал путать корреляцию с эффектом

Если в MMM, attribution или incrementality вы хотите понять не «где был рост», а «что его создало», causal inference — это не магия, а дисциплина. Но без правильной постановки вопроса она превращается в красивую презентацию без оборота.

Проверка перед запуском модели:
— определите treatment и control так, чтобы они были сравнимы;
— заранее зафиксируйте окно воздействия и метрику;
— уберите сезонность, промо и внешние шоки из шумов, а не из памяти;
— проверьте, не утек ли эффект в соседние каналы.

Самая частая ошибка — искать причинность там, где у вас только наблюдение. Если канал и так растёт на фоне спроса, causal inference легко «докажет» его эффективность, пока вы не сравните с честным контрфактом. Поэтому полезнее сначала спросить: что бы произошло без действия? А уже потом включать algorithms и математику.

Хороший causal inference не обещает истину, он сужает неопределённость. И да, иногда результат будет скучным: канал не виноват, lift съела сезонность. Может, конечно, ни хуя не взлетит — но лучше так, чем строить mmm на красивых иллюзиях.