规模化双机器学习方法预测客户行为的因果影响
机器学习
2024-09-05 v1 计量经济学
应用统计
统计方法学
摘要
客户行为的因果影响（Causal Impact, CI）在行业中广泛用于指导各种类型的短期和长期投资决策。本文应用双机器学习（Double Machine Learning, DML）方法，对100多种客户行为和数百万名客户的CI值进行估计。我们通过基于Spark的因果机器学习库实现DML，采用灵活的JSON驱动模型配置方法实现规模化CI估计（即跨数百种行为和数百万客户）。我们阐述了DML方法及其实现过程，以及与传统基于潜在结果的CI模型相比的优势。我们展示了人口水平和客户水平的CI值及其置信区间。验证指标显示，相对于基线方法，性能提升2.2%，计算时间提升2.5倍。我们的贡献在于推动CI的规模化应用，同时提供一个允许更快实验、跨平台支持、接纳新用例并提高底层代码可访问性的界面，以服务合作伙伴团队。
引用
@article{arxiv.2409.02332,
title = {Double Machine Learning at Scale to Predict Causal Impact of Customer Actions},
author = {Sushant More and Priya Kotwal and Sujith Chappidi and Dinesh Mandalapu and Chris Khawand},
journal= {arXiv preprint arXiv:2409.02332},
year = {2024}
}
备注
16 pages, 11 figures. Accepted at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD) 2023, Turin, Italy