Predição & Inferência Causal

Modelagem preditiva e inferência causal possuem propósitos distintos. Enquanto modelos de Machine Learning focam em estimar um outcome futuro (como a probabilidade de churn), a inferência causal busca entender os resultados potenciais de uma intervenção (como o quanto uma promoção evitaria esse churn).

É crucial distinguir essas abordagens: prever a probabilidade de um evento não é o mesmo que saber como alterá-lo. A predição prioriza a precisão da estimativa baseada em associações. Já a causalidade foca no mecanismo e na relação entre variáveis, sendo essencial para quantificar o impacto de tratamentos e guiar decisões estratégicas. Em outras palavras e exemplificando por regressão linear, um focamos no R2 e outro na estimativa do β que não esteja enviesada.

Leitura Recomendada

A note about R-squared

Além disso, a inferência causal permite observar efeitos heterogêneos, ou seja, como o impacto de um tratamento varia entre diferentes subgrupos. Isso possibilita uma personalização mais eficiente, direcionando intervenções para onde elas trazem maiores benefícios, conforme escrevi em 10. Efeitos Heterogêneos.

Comparação

Predição: otimiza acurácia. Boa para segmentação, detecção de anomalias e priorização (ex.: identificar clientes em risco).
Inferência causal: estima efeitos de intervenções e responde “o que acontece se eu fizer X?”. Essencial para tomar decisões que mudam o mundo.

mixtape_prediction_causal.jpg
Mixtape Sessions: Foundation of Causality

Citação

I always try to explain managers that they need Causal Machine Learning by saying, "well you have correlation and here you want more causation and these are your technical problems and maybe it never really worked."

I've been testing that for a couple of years. My current way is to simply explain it with like a crystal ball: Does a manager really want to have one crystal ball telling what the future will be like?

A manager wants to change the future, so they don't want a crystal ball, rather they want to have crystal balls. One for decision A, the second for decision B and then they can look into the future how certain decisions will improve outcomes and they can pick the decision that works best for their company. - Stefan Feuerriegel