Causal-вывод

2 записей · 1 проектов

Проекты

Causal / Uplift — CUPED and Individual Treatment Effects

CUPED срезал стандартную ошибку на 26%: та же мощность достигается на 5,6k пользователей на руку вместо 10k. Uplift-модели восстановили известный гетерогенный эффект с нуля.

PythonLightGBMscikit-learnpandas / NumPymatplotlibpytestuv

Эффект: CUPED keeps the ATE (0.270 → 0.276) and cuts the standard error ~26%, Same power with ~5.6k users/arm instead of 10k (95% CI narrows 1.35x), Uplift models recover that new users respond ~10x more than returning users, Implemented from scratch on LightGBM — no causalml/econml dependency

Открыть проект GitHub

Записи

Гайды Churn + uplift: кому дать скидку (причинный таргетинг)

Aug 27, 2026

Предсказать отток — половина задачи. Вторая половина — понять, кого скидка удержит, а кому она не нужна или вредна. Двухуровневый конвейер: churn-диагностика → причинный таргетинг через uplift-модели.

Гайды Feature Impact: как измерить влияние фичи, когда A/B невозможен

Aug 27, 2026

Когда фича уже запущена или рандомизация невозможна, A/B-тест молчит. Causal-фреймворк — CUPED, DiD, synthetic control, propensity matching — позволяет выделить чистый эффект фичи из observational данных и не принять self-selection за пользу.