Buat keputusan boleh diambil tindakan yang berkesan untuk mengoptimumkan KPI perniagaan dengan menggunakan pembelajaran mesin kausal

Analisis sebab dalam platform pembelajaran mesin Azure Machine Learning Studio boleh menjawab soalan sebab akibat melalui rangka kerja automasi hujung ke hujung.

Penterjemah |. Li Rui

Penilai |. Di sini kami berusaha untuk mengubah paradigma ini untuk mencari cerapan yang boleh diambil tindakan melangkaui korelasi palsu berdasarkan anggaran hubungan kausal dan mengukur kesan rawatan pada hasil penunjuk prestasi utama (KPI) sasaran. ​

Motivasi pembelajaran mesin penyebab ​

Anggapkan bahawa data sejarah atau data pemerhatian produk tertentu syarikat pada tahun lalu diperolehi produk kehilangan 5% daripada pelanggannya, matlamat syarikat adalah untuk mengurangkan kadar churn melalui kempen yang disasarkan. Lazimnya model kecenderungan ramalan churn klasik (skor kecenderungan - kebarangkalian churn kovariat bagi tingkah laku pelanggan) dibina dan menetapkan diskaun atau jual naik/jual silang kepada pelanggan dengan memilih ambang. ​

Kini, pengurus perniagaan ingin meramalkan keberkesanan pergolakan pelanggan, seperti sama ada pelanggan syarikat dikekalkan disebabkan oleh promosi atau aktiviti pemasaran, atau sebaliknya. Ini memerlukan eksperimen standard ujian AB tradisional, percubaan memerlukan sedikit masa? masa dan tidak boleh dilaksanakan dan, mahal dalam beberapa kes. ​

Oleh itu, kita perlu memikirkan isu di luar model kecenderungan. Churn ramalan dengan penyeliaan berguna, tetapi tidak setiap masa kerana ia tidak mempunyai cadangan untuk mengesyorkan tindakan terbaik seterusnya dalam situasi hipotesis. Masalah menyasarkan pelanggan yang diperibadikan yang dapat bertindak balas secara positif kepada cadangan pemasaran perniagaan tanpa membazirkan wang untuk kes kegagalan, dengan itu mengambil tindakan/campur tangan terbaik seterusnya dan mengubah hasil masa depan (mis. memaksimumkan pengekalan) adalah inferens sebab akibat Pemodelan Lift dalam . ​

Apabila memahami soalan berlawanan tertentu dalam dunia pengguna, seperti bagaimana tingkah laku pengguna akan berubah jika harga runcit dinaikkan atau diturunkan (apakah kesan harga terhadap corak tingkah laku)? Jika perniagaan memaparkan iklan kepada pelanggan, adakah mereka akan membeli produk tersebut (kesan pengiklanan terhadap pembelian)? Ini termasuk pembuatan keputusan berasaskan data melalui pemodelan kausal. ​

Lazimnya, soalan ramalan atau ramalan memfokuskan pada bilangan orang yang akan melanggan pada bulan hadapan, manakala soalan sebab akibat bertanya apa yang akan berlaku jika beberapa dasar berubah (contohnya, jika a Berapa ramai orang akan melanggan acara tersebut ). ​

Analisis sebab akan pergi selangkah lebih jauh. Ia direka untuk membuat kesimpulan pelbagai aspek proses penjanaan data. Dengan bantuan aspek-aspek ini, seseorang boleh menyimpulkan bukan sahaja kemungkinan kejadian dalam keadaan statik tetapi juga dinamik peristiwa dalam keadaan yang berubah-ubah. Keupayaan ini termasuk meramalkan kesan tindakan (cth., rawatan atau keputusan dasar), menentukan punca kejadian yang dilaporkan, dan menilai tanggungjawab dan atribusi (cth., sama ada peristiwa x perlu atau mencukupi untuk peristiwa y berlaku). ​

Apabila seseorang menggunakan pembelajaran mesin diselia untuk meramal model menggunakan corak korelasi pseudo, terdapat andaian tersirat bahawa perkara akan berterusan seperti yang berlaku pada masa lalu. Pada masa yang sama, persekitaran sedang giat diubah dengan cara yang sering memecahkan corak ini, hasil daripada keputusan yang dibuat atau tindakan yang diambil berdasarkan hasil yang diramalkan. ​

Dari ramalan kepada membuat keputusan ​

Untuk membuat keputusan, anda perlu mencari ciri yang membawa kepada hasil dan menganggarkan bagaimana hasil akan berubah jika ciri berubah. Banyak masalah sains data adalah masalah penyebab, dan menganggarkan kontrafaktual adalah perkara biasa dalam senario membuat keputusan. ​

Percubaan A/B: Jika anda menukar warna butang pada tapak web anda, adakah ia akan membawa kepada penglibatan yang lebih tinggi? ​

• Keputusan Dasar: Jika rawatan/dasar ini diterima pakai, bagaimanakah ia akan membawa kepada perubahan dalam hasil? Adakah ini akan menghasilkan pesakit yang lebih sihat/lebih banyak hasil? adakah syarikat itu buat pada masa lalu atau apa yang diketahui sehingga sekarang, dan bagaimanakah keputusan itu berubah, dan adakah dasar yang ditetapkan membantu atau menghalang produk yang cuba diubahnya ​
• Atribusi Kredit: Orang ramai membeli perkara kerana Lihat iklan? Adakah mereka akan membelinya?
• Apakah sebab dan kesan penyebab? ), jika dan hanya jika tindakan (T) menghasilkan perubahan dalam hasil (Y), mengekalkan semua yang lain tetap. Kausalitas bermaksud dengan mengubah satu faktor, faktor lain boleh diubah. ​
• Contohnya: Jika aspirin boleh melegakan sakit kepala, ia hanya akan mengubah keadaan sakit kepala jika dan hanya jika aspirin boleh melegakan sakit kepala. ​

Jika pemasaran boleh membawa peningkatan dalam jualan, jika dan hanya jika aktiviti pemasaran boleh membawa perubahan dalam jualan, maka segala-galanya boleh kekal sama. ​

Kesan sebab akibat ialah magnitud perubahan dalam Y dengan perubahan unit dalam T, bukan sebaliknya: ​

Kesan sebab = E [Y |. do(T=1)] - E [Y | do (T = 0)] (Judea Pearl's Do-Calculus) ​

Inferens sebab memerlukan pengetahuan dan andaian domain. dan kepakaran. Pasukan penyelidik ALICE Microsoft membangunkan perpustakaan sumber terbuka DoWhy dan EconML untuk memudahkan kerja dan kehidupan orang ramai. Langkah pertama dalam mana-mana analisis sebab ialah bertanya soalan yang jelas: ​

• Apakah rawatan/tindakan yang anda minati ​
• Apakah hasil yang anda ingin pertimbangkan? 🎜>Apakah faktor mengelirukan yang mungkin dikaitkan dengan hasil dan rawatan ​
• Saluran analisis sebab: Inferens sebab-musabab (DECI) berasaskan pembelajaran mendalam (paten Microsoft). ​

Penemuan sebab-pengenalpastian sebab-anggaran sebab-pengesahan sebab. ​

Papan Pemuka Kecerdasan Buatan Bertanggungjawab (Studio Pembelajaran Mesin Azure): Analisis Sebab ​

Fungsi ini berdasarkan pemasangan model dalam penjelasan pendaftaran model, seseorang boleh meneroka apa yang mungkin berlaku jika terdapat pemahaman sebab-sebab pembolehubah yang sama. Kesan sebab bagi ciri yang berbeza boleh diperhatikan dan dibandingkan dengan kesan idiosinkratik, dan kumpulan yang berbeza boleh diperhatikan dan ciri atau dasar yang paling sesuai untuk mereka. ​

DECI: Menyediakan rangka kerja untuk inferens sebab akibat hujung ke hujung, yang juga boleh digunakan secara bersendirian untuk penemuan atau anggaran. ​

• EconML: Menyediakan pelbagai kaedah anggaran kausaliti. ​
• DoWhy: Menyediakan pelbagai kaedah pengenalan dan pengesahan. ​
• ShowWhy: Menyediakan analisis kausal hujung ke hujung tanpa kod untuk membuat keputusan kausal dalam antara muka pengguna grafik (GUI) yang mesra pengguna.
• Ringkasan

Algoritma pembelajaran mesin dan pembelajaran mendalam moden boleh mencari corak kompleks dalam data yang mentafsir algoritma kotak hitam, dan tafsirannya mungkin bermakna algoritma pembelajaran mesin belajar daripada dunia Untuk apa. ​

Apabila algoritma pembelajaran mesin yang dipelajari ini digunakan kepada masyarakat untuk membuat keputusan polisi seperti kelulusan pinjaman dan polisi insurans kesihatan, dunia yang dipelajarinya tidak semestinya mencerminkan perkara yang sedang berlaku. ​

Walau bagaimanapun, model ramalan terdorong data adalah telus tetapi tidak dapat menjelaskan dengan sebenar-benarnya. Kebolehtafsiran memerlukan model kausal (seperti yang dibuktikan oleh falasi Jadual 2). Model kausal mewakili beberapa proses di dunia dengan pasti. AI yang boleh diterangkan seharusnya boleh membuat alasan untuk membuat keputusan yang berkesan tanpa berat sebelah. ​

Tajuk asal:

​​Analisis Sebab dalam Azure Machine Learning Studio untuk menjawab soalan Sebab anda melalui rangka kerja automatik hujung ke hujung​​ , Penulis: Hari Hara

Atas ialah kandungan terperinci Buat keputusan boleh diambil tindakan yang berkesan untuk mengoptimumkan KPI perniagaan dengan menggunakan pembelajaran mesin kausal. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!