Kausale Inferenz in Python. Kausale Zusammenhänge in der IT-Entwicklung

Wie viele Käufer werden durch einen zusätzlichen Dollar, der in Online-Werbung investiert wird, gewonnen? Welche Käufer kaufen nur, wenn sie einen Rabattcoupon erhalten? Wie bestimmt man die optimale Preisstrategie? Der beste Weg, um herauszufinden, wie die verfügbaren Hebel auf die Geschäftszahlen wirken, die wir erreichen möchten, ist die kausale Inferenz.
Mateusz Fakur, Senior Data Analyst bei Nibank, spricht über das praktisch ungenutzte Potenzial der kausalen Inferenz zur Bewertung von Konsequenzen und Effekten. Manager, Datenverarbeiter und Business-Analysten lernen sowohl klassische Methoden des visuellen Schließens wie randomisierte kontrollierte Studien (A/B-Tests), lineare Regression, Neigungsschätzung, synthetische Kontrollgruppen und Unterschiede in den Differenzen kennen. Jede Methode wird durch ein Beispiel aus dem echten Leben begleitet.