База Causal Inference'а для аналитиков

Causal inference — это набор методов, чтобы вытащить причинный эффект из наблюдательных данных и не принять корреляцию за причину. Весь курс держится на одной сквозной истории: вы продуктовый аналитик стримингового сервиса StreamFlow и шаг за шагом выясняете, работают ли пуш-уведомления — от наивного «пуши дают +29% к retention» до решения, кому именно их слать. Каждый метод разбираем на этом кейсе: сначала интуиция, потом практика, потом отдельный разговор о том, где метод ломается и как это поймать. Все числа берутся из честных симуляций с заранее известным истинным эффектом, так что видно, насколько метод к нему подобрался. Программа: Акт 1 (наивная оценка, A/B, DAG, matching/IPW) Акт 2 (IV, DiD, CausalImpact, RDD) Акт 3 (Double ML, HTE/causal forest, uplift) Капстоун по выбору метода Продвинутые темы (суррогаты, мультивоздействия, корректные A/B, interference, медиация, causal discovery) Инструментарий с бест-практисами