Corrélation et causalité

Corrélation et causalité

La corrélation enregistre les modifications conjointes des variables. La causalité répond à la question : que se passera-t-il si nous intervenons ? Dans l'analyse, le produit et la gestion des risques, la valeur a précisément un effet causal : elle permet d'évaluer l'incrément d'une solution et non pas seulement une association.

1) Concepts de base

Corrélation (association) : lien statistique sans interprétation du « pourquoi ». Peut être causé par une cause commune, une cause inverse ou un accident.
Effet causal (effet de traitement) : la différence attendue entre le monde « avec intervention » et « sans intervention ».
Contre-acte : observation impossible « ce qui serait le même objet sans impact ».
Confounder : une variable qui affecte à la fois la cause et le résultat de la → crée une fausse relation.
Collider : variable affectée à la fois par la cause et par le résultat ; la condition du collisionneur déforme l'association.
Paradoxe de Simpson : la direction de l'effet change après prise en compte de la variable/segment caché.

2) Quand la corrélation est suffisante et quand - pas

Analyse descriptive, surveillance, EDE : corrélations/rang/heatmap → détecter les hypothèses et les risques.
Prise de décision et évaluation de l'impact : des méthodes causales (expériences ou quasi-expériences) sont nécessaires.
Modèles de prédiction : les corrélations sont utiles, mais pour les ROI/politiques, il faut passer aux estimations causales ou aux modèles uplift.

3) Expériences : Norme d'or

Tests A/B (randomisation) : éliminer le confounding, rendre les groupes comparables.
Guardrails : durée ≥ un cycle de comportement, exposition stable, contrôle de la saisonnalité et des interférences (spillover).
Métriques : effet, intervalles de confiance, EMI/puissance, hétérogénéité de l'effet par segment (Heterogeneous Treatment Effect).
Pratique : versions canaries, rollout par étapes, CUPED/covariable de contrôle pour réduire la dispersion.

4) Si l'expérience n'est pas possible : quasi-expériences

Difference-in-Differences (DiD) : différence de variation « avant/après » entre « test » et « contrôle ». L'hypothèse clé est les tendances parallèles avant l'intervention.
Contrôle synthétique : nous construisons un contrôle « synthétique » comme un mélange pondéré de groupes donneurs. Résistant à des tendances différentes.
Discontinuité de la région (DDR) : règle de seuil pour l'attribution de l'exposition ; comparaison des deux côtés du seuil. Important : l'absence de « manipulation » du seuil.
Variables instrumentales (IV) : la variable affecte le « traitement », mais n'affecte pas directement le résultat (sauf par le biais du traitement). Requis : pertinence et validité de l'outil.
Appariement (PSM/Matching) : test et contrôle avec des covariables similaires ; utile comme préprocesseur, mais n'élimine pas les confounders cachés.
Interrupted Time Series (ITS) : estimation de la fracture de la tendance au moment de la politique en l'absence d'autres chocs.

5) Graphes Causal et critères « trous »

DAG (graphe acyclique orienté) : carte visuelle des relations causales. Aide à choisir les variables à contrôler.
Back-door critique : nous bloquons toutes les voies arrière (confounders) - nous obtenons une estimation de l'effet non adaptée.
Critère front-door : Utilisez un intermédiaire qui porte entièrement l'influence pour contourner les confounders cachés.
Ne contrôlez pas les collisionneurs et les descendants du résultat : cela crée des décalages.
Pratique : d'abord, nous dessinons un DAG avec des experts du domaine, puis nous choisissons un ensemble minimum de covariables.

6) Résultats potentiels et évaluation de l'effet

ATE/ATT/ATC : effet moyen sur tout/traité/témoin.
CATE/HTE : effet par segment (pays, canal, classe de risque).
Simulation uplift : nous apprenons au modèle à classer les objets en fonction de l'augmentation attendue de l'intervention plutôt qu'en fonction de la probabilité initiale de l'événement.

7) Pièges fréquents

Causalité inverse : « augmentation des remises ↔ baisse de la demande » - les remises réagissent à la chute, et non l'inverse.
Variables omises : actions non comptabilisées/variations saisonnières/régionales.
Survivants (survivorship bias) : analyse uniquement des « restants ».
Leakage : utilisation des informations futures dans la formation/évaluation.
Mélange des métriques : optimisation des métriques proxy au lieu de l'effet business (Goodhart).
Régression vers la moyenne : les retours naturels à la tendance masquent les « effets ».

8) Causalité dans le produit, la commercialisation et les risques

Marketing/campagnes : uplift-ciblage, fréquences de contact différenciées, LTV causal, ROMI par DiD/contrôle synthétique.
Prix/promo : RDD (règles de seuil), expériences sur un échantillon de SKU/régions.
Recommandations : Évaluation hors politique (IPS/DR) et bandits ; prise en compte de l'interférence.
Antifrod/politiques RG : attention à la causalité - les blocages changent le comportement et les données ; utiliser des quasi-expériences et des guardrails sur le RPF et les appels.
Contrôle : ITS pour les sorties et les incidents ; graphes de causerie pour RCA.

9) Procédure d'analyse : de l'hypothèse à la solution

1. Formuler la question comme causale : « Quel est l'effet X sur Y à l'horizon T ? »

2. Dessiner un DAG : concilier avec le domaine, marquer les confounders/médiateurs/collisionneurs.
3. Choisir la conception : RCT/A-B, DiD, RDD, IV, contrôle synthétique, matching.
4. Identifier les métriques : principal (effet), guardrails (qualité/éthique/opérations), segments CATE.
5. Préparer les données : point-in-time, covariables « avant » l'impact, calendrier et saisonnalité.
6. Évaluer l'effet : modèles de base + contrôles robast (tests placebo, sensibilité).
7. Vérifier la résistance : spécifications alternatives, exclusion des covariables suspects, leave-one-out.
8. Mettre en action : politique/rollout, SLO, surveillance et retest à la dérive.

10) Robast practices et vérification

Pré-trend checks (pour DiD) : les tendances du test/contrôle sont similaires avant l'intervention.
Placebo/permutations : « dates fictives » ou « groupes fictifs » - l'effet doit disparaître.
Analyse de sensibilité : à quel point un confounder caché faussera le résultat.
Bounds/intervalles pi : modèles partiellement identifiables → limites de confiance.
Testing multiple : réglages (BH/Holm) sur plusieurs segments.
Validation externe : transférabilité de l'effet à d'autres marchés/canaux (méta-analyse).

11) Métriques de déclaration des effets

Effet absolu : Δ en unités (p.p., u.e., minutes).
Effet relatif :% à la ligne de base.
NNT/NNH : combien d'objets doivent être traités pour atteindre un seul résultat/dommage.
Cost-Effectiveness : effet/coût ; priorités budgétaires.
Uplift @ k/Qini/AUUC : pour interventions ciblées.

12) Causalité dans la pratique ML

Caractéristiques causales : ne pas toujours améliorer la précision des prévisions, mais mieux adapter aux politiques.
Causal Forest/Meta-learners (T/X/S-Learner) : évaluation du CATE et de l'uplift personnel.
Counterfactual fairness : équité des modèles en tenant compte des voies causales ; bloquer les voies « injustes ».
Do-op vs predict : distinguez « prédire » et « que faire ». Pour le second, vous avez besoin de modèles/émulateurs de causette.

13) Chèque d'analyse causale

• La question est formulée comme un effet d'intervention/politique
• Construit et approuvé par le DAG ; sélection d'un ensemble minimum de covariables (back-door)
• Conception sélectionnée (RCT/quasi-expérience) et hypothèses clés testées
• Données point-in-time ; les visages sont exclus ; calendrier/saisonnalité pris en compte
• L'effet et les intervalles de confiance ont été calculés ; contrôles robast effectués
• Évaluation de l'hétérogénéité des effets (ACTE) et des risques (guardrails)
• Valeur numérisée (ROI, NNT/NNH, coût de l'erreur)
• Plan de mise en œuvre et de suivi ; critères de nouveau test

14) Mini-glossaire

Back-door/Front-door : critères de sélection des covariables pour identifier l'effet.
IV (variable instrumentale) : « levier » changeant le traitement, mais pas le résultat directement.
DiD : différence de variation « avant/après » entre les groupes.
RDD : estimation de l'effet près du seuil de la règle.
Contrôle synthétique : contrôle comme combinaison pondérée de donneurs.
HTE/CATE : effet hétérogène/conditionnel par segment.
Uplift : augmentation attendue de l'exposition, pas de probabilité d'événement.

Total

Les corrélations aident à trouver des hypothèses, la causalité - à prendre des décisions. Construisez un DAG, choisissez la conception appropriée (expérience ou quasi-expérience), vérifiez les hypothèses et la résilience, mesurez les effets non homogènes et traduisez les conclusions en une politique avec guardrails et surveillance. C'est ainsi que l'analyse cesse d'être « sur les communications » et devient le moteur du changement.