[KSSCI 2021] 인과추론의 데이터 과학 - Session 15

인과추론의 데이터과학. (2021, Nov 11). [Session 15-1] 인과적 의사결정 (Causal Decision Making) [Video]. YouTube.
인과추론의 데이터과학. (2021, Nov 11). [Session 15-2] 처방적 분석 (Prescriptive Analytics) [Video]. YouTube.
인과추론의 데이터과학. (2021, Nov 11). [Session 15-3] 처방적 분석 연구사례 [Video]. YouTube.

 

Session 15-1

Causal inference and Decision Making

• Causal inference for decision making
  • how causal knowledge affects decision
• Decision making for causal inference
  • treatment assignment
    • between group → research design (control, treatment)
    • within group → prescription

 

Causal knowledge affects decision

• Causal model theory of choice
  • causal diagram을 의사결정 도구에 적용한 연구
  • do operator의 intervention을 사람들의 choice로 바라봄
  • 그에 따른 feedback으로 bayesian network(causal belief)를 update

출처: 인과추론의 데이터과학

 

• Causal knowledge might conflict with existing knowledge
  • causal knowledge가 사람들의 경험과 지식과 상충되는 것을 보여준 실험
  • 당뇨병에 지식이 있는 사람들은 지식에 대한 정합성이나 확신이 줄어드는 경향이 있음
  • causal format, structure, domain에 따라 정보가 달랐음

출처: 인과추론의 데이터과학

 

• Causal inference also matters for business decision making
  • 데이터 과학이 기업의 의사결정에 영향을 미치는 부분은 제한적임 (prediction)
  • experiment(A/B test), regression, time-series(TS)로 인과추론을 가장 많이 하고 있음

출처: 인과추론의 데이터과학

 

Importance of Mechanisms Behind Causal Relationships

• Inform better intervention designs
  • ex. 괴혈병 치료제 → 레몬 (X), Vitamin C (O)
• Facilitate better causal reasoning and decision making
  • DAG, Causal Bayesian Network → 메커니즘, Causal path에 대한 직관적인 정보를 제공

 

Session 15-2

Goal-Oriented Framework

출처: 인과추론의 데이터과학

 

Prescriptive Analytics?

• 처방적 분석
• Prescription: 목적 달성을 위한 최적의 input과 output을 design 하는 것
  • Input → Intervention-oriented research : Causal Inference
  • Output → Solution-oriented research: Prediction
• Framework

출처: 인과추론의 데이터과학

 

• Resources are often limited and constrained in reality
  • 특정 constraint하에 최적의 해를 구해야 함 ⇒ Optimization
  • Prescriptive Analytics
    • Causal inference + Optimization
    • Prediction + Optimization
  • Y를 1차식(monotonical)으로 가정하면, 인과추론과 예측 문제는 독립적으로 볼 수 있음

출처: 인과추론의 데이터과학

 

Procedure of Prescriptive Analytics

• Prediction + Optimization (PO)
  • Step 1: Predict Outcome
  • Step 2: Optimize the object using individual predicted outcomes under constraints
• Causal inference + Optimization → Counterfactual
  • Step 1: Estimate ATE
  • Step 2: Estimate heterogeneous treatment effects (Conditional ATE; CATE)
  • Step 3: Optimize the object using individual heterogeneous treatment effects under constraints

 

Session 15-3

Optimization Problems are Context-Specific

• Amazon: inventory, delivery cost
• Netflix: contents license cost
• business model에 따른 formulation이 중요함

Prediction + Optimization

1) Route Scheduling

• predict then optimize
• predict → likelihood of order delivery success
• delivery priority → optimize delivery route scheduling

출처: 인과추론의 데이터과학

 

2) Human Resources

• predict: probability of successful recruitment (ex. performance, etc..) per employee and job
• optimize: recruitment and position allocation (considering multi-level constraint)

출처: 인과추론의 데이터과학

 

3) Therapeutic Regimen

• Regimen: 두 가지 이상의 항암제를 병합한 치료 요법
• predict: clinical trial efficacy (overall survival rate), toxicity outcomes of therapies
• optimize: Chemotherapy regimens to maximize predicted efficacy
  • Chemotherapy: drug treatment that uses powerful chemicals to kill fast-growing cells in your body
  • Constraint
    • under the rage of acceptable predicted toxicity
    • based on the survival and toxicity models

출처: 인과추론의 데이터과학

 

4) Outpatient Appointment System

• predict: no-shows patient
• optimize: smart scheduling

출처: 인과추론의 데이터과학

 

5) Online advertising Bidding

• predict-optimize-perform-update
• predict: CTR and market value
• optimize: bid strategy
  • based on the estimated CTR and cost
  • consideration including the campaign budget and the auction volume, etc

출처: 인과추론의 데이터과학

 

Advanced topics

• SPO framework → prediction에서 오차를 측정할 때, optimization problem도 같이 고려하는 것
• Incorporating uncertainty and auxiliary infromation into optimization
• Kernelized empirical risk minimization
• Taking prediction and causal inference together into account
  • What if the payoff function is not linear in the outcome (e.g., quadratic function)?
    • Independent → additive
    • Systematically related → multiplicative

 

Causal Inference + Optimization

• Estimate heterogenous treatment effects, then optimize
• no CATE without ATE estimation

Optimize Heterogenous Treatment Effects

• aims to optimize the objective (e.g., profit, retention) based on individual treatment effects

출처: 인과추론의 데이터과학

• cost curves can be used to present the effectiveness of optimal treatment

출처: 인과추론의 데이터과학

 

1) Marketing Campaign

출처: 인과추론의 데이터과학

 

2) Social Effectiveness

• 가상으로 만든 문제 예시

출처: 인과추론의 데이터과학

 

3) NPO Donation

• NPO: Non-Profit Organization

출처: 인과추론의 데이터과학