Estudo de inferência causal em Python: efeito de tratamento, intervalos de confiança e grafos causais
Decisões de preço, promoção e campanha costumam confundir correlação com efeito causal. A pasta reúne um estudo prático para separar os dois: comparar grupos tratados e controle, medir o efeito médio do tratamento e representar as relações causais em grafos.
O que o projeto precisava entregar
Treinar e documentar as ferramentas básicas de inferência causal (efeito médio de tratamento, erro padrão, intervalo de confiança, DAG, d-separação, operador do) que depois sustentam projetos de preço, promoção e marketing.
Como este case aparece aqui
Por acordo com o cliente, a empresa é identificada apenas pela atividade econômica — Educação e Pesquisa. O resultado não aparece porque não foi apurado nos arquivos do projeto; onde houve apuração, ela está publicada nos casos em destaque.
Os agentes que fazem este trabalho hoje
Todo projeto inclui o Maestro (IVI-N01-MA-MST) e o blueprint de governança de cada Sub-Maestro.
Veja também
N13 · Inferência Causal e Bayesiana
Agentes de inferência causal para ROI na plataforma IVIBE (nível N13). A pergunta que correlação não responde: o que…
Ler →Coletor Selenium busca anúncios de imóveis do em Jaú, Bauru e Campinas
Imobiliário e Urbano: Não há base própria de preços de imóveis para cidades médias do interior paulista.
Ler →ROI Engine Causal
Motor de ROI baseado em inferência causal e modelos bayesianos: marketing mix, atribuição e impacto de ações com…
Ler →