Causal-вывод

2 записи · 2 проекта

Проекты

Causal / Uplift — CUPED and Individual Treatment Effects

Результат: CUPED срезает стандартную ошибку на 26% (5,5k пользователей на руку вместо 10k), а предрегистрированный порог окупаемости 0.05 отправляет кампанию только на new.

PythonLightGBMscikit-learnpandas / NumPymatplotlibpytestuv

Открыть проект

GitHub

Volta Neobank — Product Analytics

Результат: KYC-фикс: +5,72pp конверсии (p<0,0001) → €208,5K за 12 мес при 13,9× ROI; M3-удержание +9,2pp

Pythonpandas / NumPySciPy / Statsmodelsscikit-learnMatplotlib / Seabornuv + ruff

Открыть проект

GitHub

Записи

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

27 авг. 2026 г.

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

27 авг. 2026 г.

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.