Betere beslissingen met causale machine learning

Bij machine learning vormen betrouwbare voorspellingen vaak de basis voor beslissingen. Maar in een omgeving waarin de context en de genomen acties voortdurend veranderen, kan de robuustheid van voorspellende modellen na verloop van tijd afnemen.

Voor een bredere strategie is het zinvol om causale machine learning te verkennen. Met deze geavanceerde aanpak kunnen we oorzaak-gevolgrelaties blootleggen en precies inschatten wat specifieke acties zullen opleveren.

Causale machine learning begrijpen

Traditionele machine learning richt zich vooral op het herkennen van correlaties en het doen van voorspellingen op basis daarvan.

Causale machine learning gaat een stap verder en probeert de oorzaak-gevolgrelaties tussen variabelen te begrijpen. Bij causale ML willen we niet alleen bepalen welke kenmerken bijdragen aan het voorspellen van een uitkomst, maar ook achterhalen welke factoren die uitkomst veroorzaken en hun impact nauwkeurig kwantificeren.

-

Neem bijvoorbeeld het voorspellen van klantverloop. Stel dat we voor een telecomoperator een uitgebreide dataset samenstellen waarmee we het verloop voor elke klant nauwkeurig kunnen voorspellen.

Na het trainen en grondig testen van een ML-model blijkt de abonnementsprijs het invloedrijkste kenmerk. Wanneer we onze resultaten presenteren, besluiten de betrokken bedrijfsmedewerkers logischerwijs om klanten met een verhoogd risico korting te geven. Zo behouden ze de meeste van die klanten.

Wanneer het model later opnieuw het klantverloop moet voorspellen, krijgt de klant een resultaat waaruit blijkt dat er momenteel geen enkele klant risico loopt. Vanuit bedrijfsoogpunt houdt dat weinig steek.

Door korting te geven om klanten te behouden, verstoort de operator het verband tussen prijs en klantverlies. Dat biedt een overtuigende verklaring voor de genomen beslissing.

-

Bij het ontwikkelen van een voorspellend model moet u onthouden dat het kenmerk met de hoogste belangscore:

• Niet noodzakelijk het beste aangrijpingspunt is voor een actie. Wat als de leeftijd van de klant het belangrijkste kenmerk is?

• Mogelijk zelfs helemaal geen invloed heeft op de uitkomst.

Dat laatste kan verrassend klinken. Toch is het algemeen bekend dat correlatiepatronen misleidend kunnen zijn.

Alleen op voorspellingen focussen is aanvaardbaar. Het wordt problematisch wanneer u er beslissingen op baseert, zeker als die beslissingen de huidige omgeving rechtstreeks kunnen veranderen. Causale ML verschuift de aandacht van voorspellende modellen die op correlaties steunen naar modellen die oorzaak en gevolg in rekening kunnen brengen.

Bron: XKCD

De overstap naar causale machine learning

Tijd voor een precieze definitie. Vanuit modelleringsoogpunt verlegt causale ML de focus:

• In plaats van voorspellingen te doen, proberen we de variabelen te identificeren die de uitkomst veroorzaken.

• We schatten hoe die uitkomst zou veranderen als we die variabelen aanpassen.

Formeler gezegd: een behandeling T veroorzaakt een uitkomst Y dan en slechts dan als een wijziging in T leidt tot een wijziging in Y, terwijl al het andere constant blijft.

Vanuit bedrijfsoogpunt draait die beoordeling om de vraag ‘wat als?’. Wat als ik de prijs voor de klant niet had aangepast? Hoeveel klanten zouden dan zijn vertrokken? Dat noemen we een counterfactual. Zie het als een parallelle werkelijkheid waarin alles hetzelfde blijft, behalve de manier waarop we handelen.

Een parallel universum simuleren is beslist moeilijk, net als het voorspellen van die counterfactual. We nemen die werkelijkheid nooit waar, en verschillende causale structuren kunnen bij het probleem passen. Er zijn dus verschillende behandelingen te overwegen. Hoe pakken we dat aan?

Causale ML toepassen

Causale machine learning komt het best tot haar recht in combinatie met grondige bedrijfskennis en een stevige basis in logisch redeneren.

De eerste stap is modellering: we bouwen een causale graaf met de behandeling, de uitkomst en mogelijke verstorende variabelen. Betrek de mensen uit het bedrijf hier zo veel mogelijk bij, want hun inzichten zijn bijzonder waardevol. Voor het voorbeeld van klantverloop hierboven zou de gerichte acyclische graaf er zo kunnen uitzien:

De volgende cruciale stap is identificatie. Daarbij kiest u zorgvuldig het algoritme dat bij uw specifieke situatie past. Mogelijke benaderingen zijn gerandomiseerde experimenten, een grondige analyse van verstorende factoren of zorgvuldig uitgevoerde A/B-tests. Microsofts Causal ML biedt een beslisboom om de juiste bibliotheek voor uw context te kiezen.

Na modellering en identificatie volgt de derde stap: de schatting uitvoeren door het gekozen algoritme op uw dataset toe te passen.

De laatste stap is weerlegging: de geldigheid van het model testen. Dat kan bijvoorbeeld met een placebotest, waarbij de behandeling door een willekeurige waarde wordt vervangen om na te gaan of er een effect op de uitkomst is.

De lastige kwestie van A/B-tests

Experimenten van het Microsoft-team tonen de vele toepassingen van causale machine learning. Denk aan het onderzoeken van annuleringen van hotelboekingen, het analyseren van de doeltreffendheid van loyaliteitsprogramma's of het voorspellen van klantverloop.

Op dit punt denkt u misschien: ‘Wij gebruiken al causale machine learning. Ik heb onlangs nog A/B-tests uitgevoerd.’

A/B-tests zijn inderdaad een belangrijk onderdeel van causale ML, maar vragen grote zorgvuldigheid, zeker in een bedrijfscontext.

Het succes van A/B-tests hangt sterk af van essentiële aannames. Een daarvan is dat u maar één experiment tegelijk uitvoert. Bovendien kunt u met A/B-tests uw klanten niet a priori onderscheiden.

Een nieuw voorbeeld. Stel dat u twee sushirestaurants hebt. Ze lijken in alle opzichten op elkaar: grootte, eten, prijzen, klantsegmenten…

Op een dag hebt u genoeg van sushi en wilt u een nieuw culinair avontuur aangaan. U neemt het gedurfde besluit om een volledig nieuw en verleidelijk gerecht te introduceren.

Maar u twijfelt tussen salades en pasta.

U besluit een A/B-test uit te voeren: in restaurant 1 serveert u alleen salades, in restaurant 2 pasta.

Na een maand omzetgegevens analyseren blijkt pasta duidelijk de winstgevendste optie. Beide restaurants specialiseren zich vervolgens in allerlei lekkere pastagerechten. Toch beantwoordt die keuze misschien niet aan de verwachtingen van al uw klanten.

• Doelgroep: deze klanten eten graag een bord spaghetti, maar vertrekken snel uit een restaurant dat uitsluitend salades serveert.

• Zekere klanten: wat u ook kookt, deze klanten komen naar uw restaurant.

• Verloren klanten: wat u ook op de kaart zet, deze klanten zullen nooit in uw restaurant eten.

• Slapende honden: als u geen sushi meer serveert, vertrekken deze klanten.

In een ideale wereld zou u zich uitsluitend op uw doelgroep kunnen richten.

Helaas kan niemand tegelijk wel en niet behandeld worden. Slechts één van die mogelijke uitkomsten kan worden waargenomen. De niet-waargenomen uitkomst is een counterfactual. Zonder causale inferentie kunt u onverwacht klanten verliezen, mogelijk meer dan u had ingeschat.

Waarom causale machine learning belangrijk is

Causale machine learning biedt inzichten die u niet uit voorspellingen alleen kunt halen. Met inzicht in oorzaak-gevolgrelaties kan een bedrijf beter onderbouwde beslissingen nemen en zo robuuste strategieën ontwikkelen die relevant blijven in een snel veranderende omgeving.

Het proces kan veeleisend lijken, maar de opbrengst is navenant: van Nobelprijzen voor onderzoekers tot concrete voordelen voor bedrijven. Zodra u de aanpak beheerst, kan causale machine learning helpen om beslissingen beter te ondersteunen met goed onderbouwde inzichten.