Descriptiv vs predictiv vs cauzal

În Data Science, distincția dintre analiza descriptivă, predictivă și cea cauzală este fundamentală pentru a transforma datele în decizii de afaceri valide. Multe proiecte eșuează nu din cauza lipsei de tehnologie, ci din cauza confuziei între corelație și cauzalitate sau din aplicarea incorectă a modelelor statistice. Înțelegerea acestor trei piloni te ajută să alegi instrumentul potrivit pentru fiecare problemă de business, evitând concluzii eronate care pot costa companii milioane de lei. Practic, trebuie să știi când să raportezi ce s-a întâmplat, când să anticipezi viitorul și când să intervii pentru a schimba rezultatul.

Concepte cheie

• Analiza Descriptivă: Se concentrează pe rezumarea datelor istorice pentru a înțelege „ce s-a întâmplat”, folosind agregări simple, medii sau distribuții.
• Analiza Predictivă: Folosește modele statistice și de Machine Learning pentru a anticipa evenimente viitoare pe baza patternurilor din datele trecute („ce se va întâmpla”).
• Analiza Causală: Încearcă să stabilească o relație de cauzalitate directă între variabile, răspunzând la întrebarea „de ce s-a întâmplat” și „ce se întâmplă dacă intervenim”.
• Corelație vs. Cauzalitate: Două variabile pot fi corelate (se mișcă împreună) fără ca una să cauzeze pe cealaltă; confuzia aici duce la decizii greșite.
• Experimentare (A/B Testing): Este standardul de aur pentru inferența cauzală, permițând izolarea efectului unei singure variabile prin compararea unui grup control cu unul experimental.
• Date Observaționale vs. Experimentale: Datele observaționale sunt colectate natural, iar cele experimentale sunt generate prin intervenție activă; prima este mai ușoară de obținut, dar mai dificil de analizat causal.

Exemplu practic

Imagină-ți că ești Data Scientist pentru o platformă de e-commerce.

1. Descriptiv: Generezi un raport lunar care arată că vânzările au crescut cu 10% față de luna anterioară.
2. Predictiv: Antrenezi un model de regresie logistică care prezice probabilitatea ca un utilizator să cumpere un produs în următoarele 24 de ore, bazat pe istoricul său de navigare.
3. Causal: Lansezi un test A/B pentru a verifica dacă reducerea prețului cu 5% cauzează o creștere a conversiei, comparând grupul care a văzut prețul redus cu cel care a văzut prețul normal, asigurându-te că celelalte variabile (trafic, sezon) sunt echilibrate.

# Exemplu conceptual de test A/B în Python (pseudocod)
import scipy.stats as stats

# Date simulate: conversii pentru grupul Control vs. Tratament
control_conversions = [0, 1, 1, 0, 1, ...] # 1000 utilizatori
treatment_conversions = [0, 1, 1, 1, 1, ...] # 1000 utilizatori

# Testul statistic pentru a vedea dacă diferența este semnificativă
statistic, p_value = stats.ttest_ind(control_conversions, treatment_conversions)

if p_value < 0.05:
    print("Diferența este statistic semnificativă -> Efect cauzal posibil.")
else:
    print("Nu putem respinge ipoteza nulă -> Nicio dovadă puternică de cauzalitate.")

Greșeli frecvente

• Interpretarea corelației ca cauzalitate: Concluzionarea că „vânzările de înghețată cauzează înecurile” doar pentru că ambele cresc vara (variabila ascunsă fiind temperatura).
• Supraoptimizarea modelelor predictive: Petrecerea mult timp pe acuratețea unui model predictiv complex, ignorând faptul că business-ul are nevoie de o explicație simplă a motivelor din spatele vânzărilor.
• Ignorarea bias-ului de selecție: Analiza cauzală pe date ne-reprezentative, ducând la concluzii valabile doar pentru un segment mic de utilizatori, nu pentru întreaga bază de clienți.

Întrebări de interviu

1. Care este diferența principală între un model predictiv și unul cauzal? Un model predictiv se concentrează pe precizia estimării valorilor viitoare, indiferent de mecanismul din spate. Un model cauzal încearcă să înțeleagă mecanismul structural pentru a estima impactul unei intervenții specifice.

2. De ce este dificil să faci inferență cauzală pe date observaționale? Pentru că lipsesc grupurile de control randomizate, existând riscul unor variabile de confuzie (confounders) care influențează atât tratamentul, cât și rezultatul, distorsionând relația aparentă.

3. Când ai folosi analiza descriptivă în locul uneia predictiv? Atunci când stakeholderii au nevoie doar de o imagine de ansamblu asupra performanței actuale sau istorice, fără a fi necesară anticiparea viitorului sau luarea de decizii proactive complexe.

Exercițiu

Alege un dataset public simplu (ex: vânzări retail sau churn rate).

1. Scrie un script Python care calculează metrici descriptive (medie, mediană, distribuție) pentru o variabilă cheie.
2. Construiește un model predictiv simplu (ex: Random Forest) pentru a prezice acea variabilă.
3. Identifică două variabile care sunt corelate puternic, dar discută de ce este probabil să nu existe o relație cauzală directă între ele, sugerând o variabilă de confuzie plauzibilă.