La classification et la régression sont les piliers de la statistique et elles reviennent dans le contexte des décisions causales. Dans ce cas, la régression consiste en fait à utiliser les données pour tenter de déterminer les effets de causalité. Par analogie avec la classification, lorsque nous définissons la décision causale optimale, nous optimisons les données d'une manière différente que nous le faisons dans le cadre de l'effet causal. Cela nous aide à décider ce que nous voulons le plus déterminer à partir des données et quels sont les objectifs les plus importants de l'analyse. Dans cette deuxième semaine, nous poursuivons notre histoire d'optimisation des décisions causales en nous concentrant sur l'emplacement optimal d'un restaurant sur la base des données de localisation (anonymisées) provenant des données des utilisateurs de téléphones portables

La publicité en ligne est à la fois un défi et une opportunité pour les entreprises. Du point de vue du marketing, la question à laquelle elles doivent répondre est de savoir combien dépenser, pour qui et quand. Du point de vue de l'utilisateur, moins il y a de publicités, mieux c'est, mais s'il doit y avoir des publicités, peuvent-elles être pertinentes et utiles ? Il s'agit d'un exemple de marché basé sur la publicité en ligne. Un exemple simple, que nous avons examiné plus tôt, est le test A/B. Cette semaine, nous reviendrons sur la question de l'optimisation de la présentation des informations, mais désormais dans une perspective causale. Nous examinerons la route de la forêt causale pour déterminer une décision causale optimale. Nous aborderons également les essais randomisés contrôlés et la façon dont le contrôle de l'effet du traitement peut rendre l'analyse beaucoup plus propre.

Le groupe de David Blei a proposé une voie intéressante pour définir les décisions causales lorsque les facteurs de confusion sont toujours présents, mais qu'ils peuvent être traités de manière à déterminer une compréhension causale du processus de décision. Nous examinerons cet article et ses implications, ainsi que d'autres voies similaires pour travailler avec des données où les problèmes de confusion pourraient autrement rendre l'analyse difficile. Nous commencerons par la meilleure façon de définir les dépenses pour un nouveau projet cinématographique : engager l'acteur vedette ou dépenser plus pour les cascades ? Il s'agit là d'un autre exemple de décision liée à un lien de causalité qui n'a pas de "bon" ou de "mauvais" final, mais qui a des implications majeures pour une entreprise.

La meilleure façon de prendre une décision pour un grand groupe par rapport à un individu est notre dernier motif de spécialisation. À bien des égards, il s'agit de la question déterminante pour les soins de santé : comment déterminer au mieux un traitement optimal pour chaque individu ? Bien qu'il reste encore beaucoup à faire pour décrire comment cela peut se faire dans un cadre détaillé, des progrès ont été accomplis dans l'utilisation des informations recueillies pour de nombreux individus et qui peuvent ensuite aider à définir le meilleur traitement pour un individu. Ce sont ces progrès actuels qui rendent de nombreuses personnes enthousiastes quant à l'avenir de la médecine personnalisée. En même temps, il convient de prendre conscience des limites de ce qui peut être fait, à l'heure actuelle, en ce qui concerne la question d'un traitement individuel optimal.