Любой аналитик знает, что самым надёжным способом проверки гипотез являются рандомизированные контролируемые эксперименты (RCT), или, как их называют в народе — Читать полностью »
Рубрика «causalimpact»
Линейная регрессия на стероидах: Double Machine Learning для устранения смещений в данных
2026-06-04 в 14:04, admin, рубрики: ab-тестирование, causal effect, causal Inference, causalimpact, causality, causalml, difference-in-difference, machine learning, PSM, причинно-следственный анализОценка эффекта релиза, когда изменение затронуло не всех: diff-in-diff и синтетический контроль
2026-01-17 в 18:28, admin, рубрики: causalimpact, diff-in-diff, synthetic control, оценка эффекта, плацебо проверки, причинный анализ, продуктовая аналитика, синтетический контрольВ прошлой статье мы разбирали ситуацию, когда есть одна метрика во времени и понятная дата изменения. На практике чаще бывает иначе: изменение затронуло не всех.
Типовые примеры:
-
релиз раскатан на часть гео,
-
изменение включено только для определенного сегмента пользователей,
-
затронуты только отдельные кластеры, каналы, витрины,
-
контрольной группы в виде AB теста нет, но есть группы, которые не трогали.
Causal Inference методы на практике
2024-12-30 в 11:06, admin, рубрики: ab testing, causal effect, causal Inference, causalimpact, double machine learning, doubly robust, propensity score matching, PSM, статистикаОбычно, когда возникает необходимость оценить эффект от продуктовой фичи, аналитики проверяют гипотезы через A/B эксперименты. Но иногда запустить эксперимент нет возможности, а оценить эффект все еще хочется. Столкнувшись в очередной раз с такой ситуацией, я решил погрузиться в нашумевший в последнее время мир причинно-следственного анализа или Causal Inference и поделиться опытом применения различных подходов на практике.
Случалось ли с вами что-нибудь из этого?
-
Какая-то фича в продукте существует давно, на нее тратятся ресурсы, но вы не знаете какой эффект она оказывает на ключевые метрики?