Causal Machine Learning: το νέο σύνορο της εταιρικής λήψης αποφάσεων

Ανακάλυψη της σχέσης αιτίου-αποτελέσματος: στρατηγικές για τη βελτίωση της λήψης αποφάσεων και την πραγματοποίηση ακριβέστερων προβλέψεων

Δημοσιεύτηκε στο Mit Sloan Management Review Italy, Μάιος/Ιούνιος/Ιούλιος 2025.

Τομηχανική εκμάθησηχρησιμοποιούνται πλέον ευρέως γιακατευθυντήριες αποφάσειςσε διαδικασίες όπου αρκεί να μετρηθεί η πιθανότητα ενός συγκεκριμένου αποτελέσματος, για παράδειγμα, εάν ένας πελάτης θα αποπληρώσει ένα δάνειο. Ωστόσο, επειδή η τεχνολογία, στην παραδοσιακή της εφαρμογή, βασίζεται σε συσχετισμούς για να κάνει προβλέψεις, οι γνώσεις που προσφέρει στους διαχειριστές είναι στην καλύτερη περίπτωση ατελείς όταν πρόκειται για την πρόβλεψη του αντίκτυπου των διαφορετικών επιλογών στα επιχειρηματικά αποτελέσματα (Feuerriegelet al., 2022α).

Σκεφτείτε τα στελέχη μιας μεγάλης εταιρείας που πρέπει να αποφασίσουν πόσα θα επενδύσουν στην Έρευνα & Ανάπτυξη (R&D) τον επόμενο χρόνο. Χρησιμοποιώντας τη μέθοδο ανάλυσηςΜηχανική εκμάθηση (ML)παραδοσιακό, μπορεί να αναρωτιούνται τι θα γίνει όταν αυξήσουν τις δαπάνες. Μπορεί να βρουν μια ισχυρή συσχέτιση μεταξύ υψηλότερων επιπέδων επενδύσεων και υψηλότερων εσόδων όταν η οικονομία αναπτύσσεται. Και μπορεί να καταλήξουν στο συμπέρασμα ότι εφόσον οι οικονομικές συνθήκες είναι ευνοϊκές, θα πρέπει να αυξήσουν τον προϋπολογισμό Ε&Α.

Αλλά πρέπει πραγματικά; Και αν ναι, κατά πόσο; Εξωτερικοί παράγοντες, όπως τα επίπεδα καταναλωτικών δαπανών, οι τεχνολογικές επιπτώσεις από τους ανταγωνιστές και τα επιτόκια επηρεάζουν επίσης την αύξηση των εσόδων. Η σύγκριση του τρόπου με τον οποίο διαφορετικά επίπεδα επένδυσης μπορεί να επηρεάσουν τα έσοδα, λαμβάνοντας υπόψη αυτές τις άλλες μεταβλητές, είναι χρήσιμη για τον διαχειριστή που προσπαθεί να προσδιορίσει τον προϋπολογισμό Ε&Α που θα αποφέρει το μεγαλύτερο όφελος στην εταιρεία.

Η αιτιατική ML, ααναδυόμενος τομέας μηχανικής μάθησης,μπορεί να βοηθήσει στην απάντηση αυτών των ερωτήσεωντι θα γινόταν ανμέσω αιτιατικής συναγωγής. Παρόμοια με τον τρόπο με τον οποίο οι έμποροι χρησιμοποιούν τη δοκιμή A/B για να συμπεράνουν ποια από τις δύο διαφημίσεις είναι πιθανό να δημιουργήσει περισσότερες πωλήσεις,Η αιτιώδης ML μπορεί να ενημερώσει τι θα μπορούσε να συμβεί εάν οι διαχειριστές προβούν σε μια συγκεκριμένη ενέργεια(Feuerriegelet al., 2022β).

Αυτό κάνει τοχρήσιμη τεχνολογία σε πολλάτου ιδίουεπιχειρηματικές συναρτήσεις που χρησιμοποιούν παραδοσιακή ML,συμπεριλαμβανομένης της ανάπτυξης προϊόντων, της κατασκευής, των οικονομικών, του ανθρώπινου δυναμικού και του μάρκετινγκ (von Zahnet al., 2024). Παραδοσιακό MLείναι ακόμαη ιδανική προσέγγισηόταν ο μόνος στόχος είναι νακάνετε προβλέψεις,όπως εάν οι τιμές των μετοχών θα αυξηθούν ή ποια προϊόντα είναι πιο πιθανό να αγοράσουν οι πελάτες. Όταν θέλει μια εταιρείαπροβλέψτετι θα συνέβαινε εάν έπαιρνε μια απόφαση έναντι μιας άλλης, για παράδειγμα, εάν μια έκπτωση 10% ή καμία έκπτωση είναι πιο πιθανό να κάνει έναν πελάτη να επαναλάβει την αγορά, χρειάζεταιΑιτιατική ML.

Η έρευνά μας στη μηχανική μάθηση και την τεχνητή νοημοσύνη και η εμπειρία μας βοηθώντας τις εταιρείες να εφαρμόσουν το σημείο αιτιώδους ML σε έναδιαδρομή για την επιτυχή χρήση αυτής της τεχνολογίας(Πλαίσιο Η έρευνα). Οι επιχειρήσεις θα χρειαστούν επίσης τοσωστές δεξιότητεςκαι θα πρέπειαυξήστε τον αλφαβητισμό των εργαζομένων για αιτιώδη ML.

Τι μπορεί και τι δεν μπορεί να κάνει η αιτιολογική ML

Η αιτιολογική ML είναι ένα ισχυρό εργαλείο, αλλά οι διαχειριστές μπορεί να βρουν το όνομα παραπλανητικό. Η ετικέτα'αντιπραγματική πρόβλεψη'θα αντικατοπτρίζει με μεγαλύτερη ακρίβεια αυτό που κάνει:προβλέψτε τα αποτελέσματα με βάση υποθετικές ενέργειες.Η τεχνολογία κατανοείται καλύτερα ως ένας τρόπος για να γίνουν καλύτερες υποθέσεις παρά ως πηγή οριστικών απαντήσεων. Πλαισιώνοντάς το με αυτόν τον τρόπο, μπορούν να υπενθυμιστούν στους διαχειριστέςμην υπερερμηνεύετε τα αποτελέσματα.

Το κάνει αυτό χρησιμοποιώνταςαιτιακή συναγωγή,που εξετάζει προηγούμενα αποτελέσματα για την κατανόηση των σχέσεων αιτίου-αποτελέσματος μεταξύ των μεταβλητών. Αντί να εστιάζει στο γιατί συνέβη κάτι, το Causal ML εφαρμόζει αυτές τις σχέσεις για να προβλέψει τα αποτελέσματα των παρεμβάσεωννέα και προσανατολισμένα στο μέλλον πλαίσια.

Ωστόσο, η μέθοδος δεν μπορεί να εξηγήσει γιατί υπάρχει μια αιτιώδης σχέση μεταξύ ενός συγκεκριμένου παράγοντα και του αποτελέσματος που επηρεάζει. Για παράδειγμα, ένα μοντέλο αιτιώδους ML μπορεί να προβλέψει ότι η μείωση ενός προϋπολογισμού Ε&Α θα μείωνε τα έσοδα, αλλά δεν θα εξηγούσε γιατί υπάρχει αυτή η σχέση ή εάν συγχυτικοί παράγοντες - που επηρεάζουν τόσο την απόφαση όσο και το αποτέλεσμα - ενδέχεται να αλλάξουν και να ακυρώσουν την πρόβλεψη. Οι διευθυντές πρέπειχρησιμοποιήστε την εμπειρία τουςστον κλάδο να αξιολογήσει εάν μια συγκεκριμένη πρόβλεψη έχει νόημα. Αυτή η προσέγγιση βοηθά να διασφαλιστεί ότι οι προβλέψεις μοντέλων ερμηνεύονται σωστά και παραμένουν σχετικές με τις αποφάσεις του πραγματικού κόσμου. Όπως η παραδοσιακή Μηχανική Μάθηση,Η αιτιολογική ML είναι πιο αποτελεσματική όταν οι διαχειριστές έχουν μεγάλο όγκο δεδομένων,Οι επιλογές είναι σαφώς καθορισμένες και το επιθυμητό αποτέλεσμα είναι καλά κατανοητό.Γενικά δεν είναι κατάλληλο για αποφάσειςεφάπαξκαι σενάρια που απαιτούν διαίσθηση ή δημιουργικότητα.

Επιλέξτε το σωστό πρόβλημα και δεδομένα

Η αιτιατική ML ταιριάζει καλύτεραπροβλέψτε τα αποτελέσματα απλών αποφάσεωντα οποία υποστηρίζονται από εκτενή ιστορικά δεδομένα από εσωτερικές και εξωτερικές πηγές. Οι ερωτήσεις λειτουργιών μπορεί να είναι καλοί υποψήφιοι για την προσέγγιση επειδή τίθενται συχνά και οι εταιρείες έχουν πολλά δεδομένα για να τις υποστηρίξουν (von Krogh, Ben-Menahem, & Shrestha, 2021). Παρακάτω είναι μερικά παραδείγματα χρήσης αιτιώδους ML σε αυτό το πλαίσιο:

Η Booking.com συλλέγει δεδομένα από χιλιάδες κρατήσεις ξενοδοχείων κάθε ώρα. Οι έμποροι της εταιρείας χρησιμοποιούν τομέθοδος αιτιολογικής ανάλυσηςνα προσδιορίσουμε όχι μόνο ανπαρέχετε εκπτώσεις,αλλά καιπου πρέπει να τα πάρουν οι πελάτες.Η σοκολατοποιός Lindt διαθέτει εκτενή στοιχεία για τις περιβαλλοντικές συνθήκες, τον εξοπλισμό, τη συσκευασία και άλλους παράγοντες που επηρεάζουν την ποιότητα των παγκοσμίου φήμης τρούφας της. Οι διευθυντές παραγωγής χρησιμοποιούν τοΑιτιατική MLγια να τους βοηθήσετε να βελτιώσουν τις παραμέτρους όπως τοθερμοκρασία των μηχανώνκαι τοδιαμορφώσεις καλουπιώνγια τρούφες (ETH AI Center, 2023).Η Hitachi ABB Power Grids βασίστηκε στο Causal ML για να μειώσει τα ποσοστά αστοχίας στη διαδικασία κατασκευής ημιαγωγών, χρησιμοποιώντας δεδομένα απόδοσης μηχανής. Μπόρεσε να μειώσει κατά το ήμισυ την απώλεια απόδοσης εντοπίζοντας τον συνδυασμό μηχανών που παρήγαγαν με συνέπεια τα τσιπ καλύτερης ποιότητας (Senoner, Netland, & Feuerriegel, 2022).

Στη Novartis, διευθυντικά στελέχη που είχαν εκπαιδευτεί σχετικά με τις δυνατότητες διαφορετικών τύπων ML μπόρεσαν να εντοπίσουν διάφορες εργασίες λήψης αποφάσεων όπου η αντικατάσταση της παραδοσιακής ML με την Αιτιώδη ΜΠ πρόσφερε σημαντικά οφέλη. Είχαν ρωτήσει ένα παραδοσιακό μοντέλο ML εάν η αύξηση του προϋπολογισμού μάρκετινγκ θα αύξανε τις πωλήσεις, αλλά οι προβλέψεις του δεν τους βοήθησαν να αποφασίσουν πώς να κατανείμουν αυτόν τον προϋπολογισμό. Αποφάσισαν να χρησιμοποιήσουν το Causal ML για να αξιολογήσουν πώς διαφορετικές διαφημιστικές καμπάνιες θα μπορούσαν να επηρεάσουν τις μελλοντικές πωλήσεις. Χρησιμοποίησαν προβλέψεις για να κατανείμουν πόρους στις καμπάνιες που ήταν πιθανό να είναι πιο αποτελεσματικές.

Μια απόφαση κατάλληλη για αιτιατική ML μπορεί να εκφραστεί ως αριθμός ή δυαδική επιλογή(για παράδειγμα, ένα ποσό εσόδων ή μια αγορά/κατοχή). Μπορεί επίσης να διατυπωθεί ως ερώτηση σχετικά με την ενέργεια που πρέπει να κάνετε: να διαθέσετε έναν προϋπολογισμό μάρκετινγκ 10.000 $ ή 15.000 $ για το επόμενο τρίμηνο ή να προσφέρετε έκπτωση 10% ή καθόλου σε ένα προϊόν (Wasserbacher and Spindler, 2022).

Επίσης, η μέθοδοςΗ αιτιολογική ML δεν μπορεί να αντιμετωπίσει αποτελεσματικά όλες τις πιθανές περιπτώσεις χρήσης, ακόμα κι αν φαίνεται ότι είναι κατάλληλο για αυτόν τον σκοπό.Συγχυτές– οι μεταβλητές που επηρεάζουν τόσο το αποτέλεσμα όσο και την απόφαση –εισάγουν στρεβλώσεις που επηρεάζουν τις προβλέψειςκαι πρέπει να ληφθούν υπόψη. Μπορεί να είναι δύσκολο ή αδύνατο να δοκιμαστούν και να επηρεάσουν την ακρίβεια των προβλέψεων. Εάν, για παράδειγμα, υπάρχουν διαθέσιμα δεδομένα μόνο για τις πωλήσεις προϊόντων κατά τη διάρκεια μιας φάσης οικονομικής ανάπτυξης, οι προβλέψεις για τις πωλήσεις προϊόντων κατά τη διάρκεια μιας ύφεσης θα είναι λιγότερο αξιόπιστες.

Όταν οι διευθυντές καθορίσουν τι θέλουν να αποφασίσουν, προσδιορίσουν πώς θα μετρήσουν το αποτέλεσμα και επιβεβαιώσουν ότι διαθέτουν επαρκή δεδομένα, μπορούν να αρχίσουν να συνεργάζονται με επιστήμονες δεδομένων για τη συγκέντρωση και την κατηγοριοποίηση των δεδομένων για τη δημιουργία του μοντέλου Αιτιακής ML τους. Οι ηγέτες επιχειρήσεων και άλλα άτομα με γνώσεις τομέα είναι βασικοί συνεργάτες των επιστημόνων δεδομένων και των ειδικών ML στη δημιουργία μοντέλων αιτιώδους ML που παρέχουν αξιόπιστα αποτελέσματα.

Για να εκπαιδεύσουμε το μοντέλο να πιάνεισύνθετες σχέσεις αιτίου-αποτελέσματοςαπαιτούνται δεδομένα από τουλάχιστον μερικές δεκάδες, και ιδανικά εκατοντάδες ή χιλιάδες, ιστορικές αποφάσεις. Με έναμεγάλος όγκος δεδομένων,το μοντέλο μπορεί να αποκαλύψει συνδέσεις μεταξύ μεταβλητών που μπορεί να είναι άγνωστες στους διαχειριστές ή δύσκολο να ποσοτικοποιηθούν. Λιγότερα δεδομένα οδηγούν σε λιγότερο ακριβείς προβλέψεις.

Καταρχήν,η μέθοδος της αιτιολογικής ανάλυσης απαιτεί τρεις κατηγορίες δεδομένωνπου αναφέρθηκε προηγουμένως:αποφάσεις, αποτελέσματα και παράγοντες σύγχυσης.Τα δεδομένα αποφάσεων περιλαμβάνουν ό,τι έχουν κάνει οι διευθυντές στο παρελθόν, όπως επίπεδα στελέχωσης ή καθορισμένοι προϋπολογισμοί, εκπτώσεις που προσφέρονται, επενδύσεις που πραγματοποιήθηκαν ή αλλαγές διαδικασιών. Τα δεδομένα αποτελεσμάτων μπορούν να περιλαμβάνουν οποιοδήποτε μετρήσιμο επιχειρηματικό αποτέλεσμα, όπως όγκο πωλήσεων, αύξηση εσόδων, μετρήσεις ποιότητας ή παραγωγικότητα.

Οι συγχυτικοί παράγοντες μπορεί να προέρχονται από εσωτερικές ή εξωτερικές πηγές. Μπορούν να περιλαμβάνουν οικονομικές συνθήκες, τη σύνθεση του εργατικού δυναμικού και τη συμπεριφορά των ανταγωνιστών και μπορεί να ποικίλλουν ανάλογα με την απόφαση που πρέπει να ληφθεί. Για μια απόφαση μάρκετινγκ, ο τύπος της συσκευής που χρησιμοποιούν οι πελάτες μπορεί να είναι ένας παράγοντας σύγχυσης, επειδή όσοι έχουν ένα πιο ακριβό smartphone μπορεί να τείνουν να ξοδεύουν περισσότερα, ανεξάρτητα από το αν πληρούν τις προϋποθέσεις για κίνητρο ή όχι.

Για παράδειγμα, η Neue Zürcher Zeitung, μια διεθνής εταιρεία μέσων ενημέρωσης που εκδίδει τη μεγαλύτερης κυκλοφορίας εφημερίδα της Ελβετίας, εφάρμοσε το Causal ML για να βελτιώσει την αποτελεσματικότητα των αποφάσεων προώθησης περιεχομένου των συντακτών. Η μεταβλητή απόφασης ήταν η προώθηση ενός διαδικτυακού άρθρου σε ένα από τα δύο πρωτοσέλιδα που σερβίρονταν στους αναγνώστες. Η μεταβλητή αποτελέσματος ήταν μια βαθμολογία απόδοσης που συνδύαζε επισκεψιμότητα ιστότοπου, αφοσίωση αναγνωστών και συνδρομές. Οι συγχυτικοί παράγοντες περιλάμβαναν χρονικούς παράγοντες (όπως ώρα της ημέρας), χαρακτηριστικά περιεχομένου (όπως μορφή άρθρου), δείκτες απόδοσης του παρελθόντος (συμπεριλαμβανομένων των κλικ) και προηγούμενες αποφάσεις προώθησης (συμπεριλαμβανομένου του αν το άρθρο είχε προωθηθεί αλλού).

Προσδιορίστε πιθανούς αιτιολογικούς παράγοντες

Ένα πολύτιμο μάθημα της δουλειάς μας ήταν η χρησιμότητα της περιγραφής ααιτιακή γραφική παράστασησε έναν πίνακα που απεικονίζει τις αναμενόμενες σχέσεις μεταξύ του αποτελέσματος, της απόφασης και των παραγόντων σύγχυσης στην αρχή της διαδικασίας ανάπτυξης του μοντέλου. Η γνώση και η εμπειρία των διευθυντών είναι ουσιαστικής σημασίας εδώ, γιατί έχουν επανειλημμένα λάβει αποφάσεις και έχουν μάθει να προβλέπουν ορισμένα αποτελέσματα.

Το γράφημα αιτιολογίας λέει στους επιστήμονες δεδομένων (που θα πρέπει να είναι ειδικοί στην αιτιώδη συναγωγή) εάνμεταχειριστείτε μια μεταβλητή ως αιτία ή αποτέλεσμα στο μοντέλο.Με αυτόν τον τρόπο, η ομάδα μπορεί να αποκλείσει σφάλματα αντίστροφης αιτιότητας. Με άλλα λόγια, μπορεί να διασφαλίσει ότι το μοντέλο δεν παρερμηνεύει μια μεταβλητή ότι προκαλεί μια άλλη όταν, στην πραγματικότητα, το αποτέλεσμα είναι το αντίθετο.

Φανταστείτε μια διασημότητα με εκατομμύρια ακόλουθους στα social media. Αν δεν γνωρίζουμε πολλά για τα μέσα κοινωνικής δικτύωσης ή τη διασημότητα, μπορεί να συμπεράνουμε ότι η φήμη προέρχεται από τον υψηλό αριθμό ακολούθων. Το αντίθετο είναι πιο πιθανό να ισχύει. Όπως παρατήρησε ακόμη και ο μέσος έφηβος, για να κάνουν εκατομμύρια αγνώστους να ακολουθήσουν τους λογαριασμούς τους στα μέσα κοινωνικής δικτύωσης, πρέπει πρώτα να κάνουν κάτι που να τους κάνει την προσοχή. Στην περίπτωση της ερώτησής μας σχετικά με τις δαπάνες Ε&Α,ο προϋπολογισμός επηρεάζει τα έσοδα και όχι το αντίστροφο.Εν τω μεταξύ, συγχυτικοί παράγοντες όπως το οικονομικό κλίμα, οι τάσεις της αγοράς ή η τεχνογνωσία της ομάδας αναγνωρίζονται ως παράγοντες που καθοδηγούν τόσο την απόφαση προϋπολογισμού όσο και τα επιχειρηματικά αποτελέσματα, αλλά δεν επηρεάζονται από κανένα από τα δύο. Το μοντέλο θα λάβει όλα αυτά υπόψη (Εικόνα 1).

Επιλέξτε την έξοδο

Στη συνέχεια, οι διαχειριστές πρέπει να επιλέξουν τοείδος απάντησηςπου πρέπει να παρέχει το μοντέλο ως απάντηση στο ερώτημα (στα στατιστικά, το αποτέλεσμα ή την εκτίμηση): μπορεί να προβλέψει το τελικό αποτέλεσμα μιας απόφασης ή το σχετικό όφελος μιας εναλλακτικής σε σύγκριση με μια άλλη.

Κάθε ένα από αυτά τα αποτελέσματα μπορεί να είναι χρήσιμο, ανάλογα με το πώς σκέφτεται ο διευθυντής για μια απόφαση.Εστιάστε στα τελικά αποτελέσματα,όπως πιθανά έσοδα σε διαφορετικά σενάρια προϋπολογισμού ή κίνητρα προσαρμοσμένα για μεμονωμένους πελάτες, βοηθά στον στρατηγικό σχεδιασμό. Ωστόσο, η σύγκριση των επαυξητικών επιπτώσεων διαφορετικών αποφάσεων είναι συχνά αρκετή για να λάβει μία: εάν ένας διευθυντής θέλει να μάθει ποια από τις δύο διαφημίσεις μπορεί να αυξήσει τις πωλήσεις πιο αποτελεσματικά, δεν χρειάζεται απαραίτητα να προβλέψει το ποσό των εσόδων που θα μπορούσε να δημιουργήσει κάθε παραλλαγή. Απλώς πρέπει να γνωρίζει το σχετικό όφελος: ότι η μία διαφήμιση μπορεί να αποφέρει τριπλάσια έσοδα από την άλλη. Επιπλέον,εστιάστε στα οφέλητο σχετικό παράγει πιο αξιόπιστες προβλέψεις από το να εστιάζει στα τελικά αποτελέσματα. Συνιστούμε να ακολουθείτε μόνο την απαραίτητη ευαισθησία.

Οι συντάκτες της Neue Zürcher Zeitung ενδιαφέρθηκαν να προβλέψουν τις πραγματικές αναλογίες κλικ προς αριθμό εμφανίσεων για κάθε προωθούμενο στοιχείο, αλλά η εταιρεία επέλεξε να προβλέψει το πιθανό καθαρό κέρδος απόδοσης από την προώθηση ενός στοιχείου. Αυτή η προσέγγιση επέτρεψε στο Causal ML να κάνει πιο ακριβείς προβλέψεις σχετικά με το ποιο περιεχόμενο, εάν προωθηθεί, θα αύξανε τα κλικ και τις συνδρομές. Οι συντάκτες έμαθαν ότι η προώθηση άρθρων που γράφτηκαν από τον αρχισυντάκτη αύξησε σημαντικά και τα δύο αποτελέσματα (Persson, Feuerriegel, & Kadar, 2023). Οι συντάκτες είχαν προωθήσει με φειδώ τα άρθρα του αρχισυντάκτη και τα αποτελέσματα χρησίμευσαν ως αφετηρία για την αναθεώρηση της στρατηγικής προώθησης τους.

Εκπαίδευση, δοκιμή και επικύρωση του μοντέλου

Μόλις οι διαχειριστές έχουνορίζεταιη απόφαση που θέλουν να πάρουνκαι τον τύπο εξόδου που προτιμούν, οι επιστήμονες δεδομένων και μηχανικής μάθησης μπορούν να επιλέξουν τοΤο μοντέλο αιτιώδους ML ταιριάζει καλύτερα στη δουλειά.Μόλις εφαρμοστεί το μοντέλο, οι μηχανικοί μηχανικής εκμάθησης θα το εκπαιδεύσουν χρησιμοποιώντας δεδομένα που είχαν προηγουμένως κατηγοριοποιηθεί.

Η τελική φάση είναι η δοκιμή και η επικύρωση του μοντέλου Αιτιολογικής ML στην πράξη, για να διασφαλιστεί ότι είναι αξιόπιστο και ότι οι προβλέψεις του μεταφράζονται σε καλύτερη επιχειρηματική απόδοση. Η επικύρωση παρέχει επίσης την ευκαιρία στους υπεύθυνους λήψης αποφάσεων, συμπεριλαμβανομένων των στελεχών, να αποκτήσουν εμπιστοσύνη στις προβλέψεις της. Ξεκινώντας με σχετικά απλά, γραμμικά προβλήματα, όπου μπορούν να εντοπιστούν και να αξιολογηθούν σαφείς εναλλακτικές λύσεις απόφασης, κάνει αυτή τη φάση πιο εύκολη στην ολοκλήρωση.

Η δοκιμή και η επικύρωση απαιτούν προσοχήγιατί οι διευθυντές μπορούν να παρατηρήσουν το αποτέλεσμα της απόφασης που πάρθηκε μόνο στον πραγματικό κόσμο. Δεν έχουν τρόπο να γνωρίζουν ποιο θα ήταν το αποτέλεσμα αν είχε ληφθεί διαφορετική απόφαση. Δύο στρατηγικές,άνθρωπος στο βρόχοκαι η γνωστή προσέγγιση δοκιμών A/B,αποδείχθηκαν επιτυχημένοι.

Η Neue Zürcher Zeitung επέλεξε να ενσωματώσει τις συστάσεις του μοντέλου με τις ανθρώπινες διαδικασίες λήψης αποφάσεων (Ibid). Το μοντέλο Causal ML προτείνει ποιο περιεχόμενο να προωθηθεί, αλλά οι συντάκτες λαμβάνουν τις τελικές αποφάσεις. Το μοντέλο βασίζεται στις ίδιες πληροφορίες που χρησιμοποιούσαν προηγουμένως οι συντάκτες για να λάβουν τις αποφάσεις προώθησης. Επομένως, μπορούν να εμπιστεύονται ότι το μοντέλο δεν λείπει βασικά στοιχεία. Οι προτάσεις μοντέλων αιτιολογικής ML συνήθως ταιριάζουν με τα συναισθήματα των συντακτών, γεγονός που τους δίνει εμπιστοσύνη στην αξιοπιστία του μοντέλου.

Ορισμένες αποφάσεις είναι δύσκολες και οι συντάκτες γνωρίζουν ότι η κρίση τους δεν είναι τέλεια. Σε περιπτώσεις όπου το Causal ML συνιστά διαφορετική απόφαση από αυτή που θα είχαν λάβει, οι συντάκτες μπορούν να δοκιμάσουν τη σύσταση και να δουν το αποτέλεσμα.Με τον καιρό, θα πρέπει να δουν ότι η μέθοδος Causal ML μπορεί να παρέχει αξιόπιστες συστάσεις σε διφορούμενες καταστάσεις.Τότε θα μπορούν να ακολουθούν τις συστάσεις του Causal ML πιο συχνά αντί των ενστίκτων τους.

Η Hitachi ABB χρησιμοποίησε δοκιμές A/B για να επικυρώσει μοντέλα Causal ML που κατασκευάστηκαν για τη βελτίωση της ποιότητας κατασκευής. Σε μια εφαρμογή, οι διαχειριστές χρησιμοποίησαν το μοντέλο για να προβλέψουν ποια από τις διάφορες μηχανές θα παρήγαγε την καλύτερη ποιότητα στα στάδια χάραξης και εμφύτευσης της διαδικασίας κατασκευής ημιαγωγών, συμβάλλοντας στην παραγωγή υψηλότερης ποιότητας συνολικά. Για να επιβεβαιώσουν την αξιοπιστία των προβλέψεων, οι διαχειριστές διεξήγαγαν ένα ελεγχόμενο πείραμα στο οποίο άλλαξαν το μηχάνημα που χρησιμοποιήθηκε για τη χάραξη και την εμφύτευση, ενώ διατήρησαν αμετάβλητα τα μηχανήματα που χρησιμοποιούνται για άλλες διαδικασίες. Βρήκαν ότι το καλύτερο μηχάνημα για τομή και εμφύτευση ήταν το ίδιο που είχε προβλέψει το αιτιολογικό μοντέλο ML. Χάρη στο Causal ML, οι διαχειριστές μπόρεσαν να βρουν και να επιλύσουν την πηγή των προβλημάτων παραγωγής πιο αποτελεσματικά από ό,τι θα μπορούσαν με τις μη αυτόματες μεθόδους ή την παραδοσιακή ML (Senoneret al., 2021).

Ετοιμάστε την οργάνωση

Αν και η αιτιώδης ML έχει τη δυνατότητα να βελτιώσει τις αποφάσεις,η εφαρμογή αυτών των συστημάτων απαιτεί υψηλό επίπεδο παιδείας τεχνητής νοημοσύνης στο εργατικό δυναμικό,εξειδικευμένες τεχνικές δεξιότητες και υπομονή, γιατίαυτά τα έργα μπορεί να χρειαστούν περισσότερο χρόνο για να αναπτυχθούν από τις παραδοσιακές εφαρμογές ML.Οι διευθυντές μπορούν να προετοιμάσουν τους οργανισμούς τους εκπαιδεύοντας τους εαυτούς τους και το εργατικό δυναμικό τους σχετικά με την αιτιολογική τεχνητή νοημοσύνη και δημιουργώντας τις διεπιστημονικές ομάδες που απαιτούνται για την ανάπτυξη εφαρμογών.

Πολλές εταιρείες σήμερα επενδύουν πολλά στην εκπαίδευση των εργαζομένων σε παραδοσιακά μοντέλα ML και Generative AI (όπως το ChatGpt) για να παραμείνουν ανταγωνιστικές και καινοτόμες.Εάν ο οργανισμός σας σκοπεύει να χρησιμοποιήσει το Causal ML, πρέπει να συμπεριλάβει αυτήν την τεχνολογία στις προσπάθειές του για παιδεία τεχνητής νοημοσύνης.Οι εργαζόμενοι που προσέχουν τα δυνατά σημεία και τους περιορισμούς των διαφορετικών προσεγγίσεων της τεχνητής νοημοσύνης θα μπορούν να βρουν ευκαιρίες για να τις χρησιμοποιήσουν αποτελεσματικά.

Διαπιστώσαμε ότι για να διακριθούν στη χρήση αιτιατικής ML, οι ομάδες χρειάζονται αισχυρή εμπειρία στην επιστήμη δεδομένων και τη μηχανική μάθηση,καθώς και τομεακές γνώσεις. Ωστόσο, η δημιουργία αυτών των ομάδων μπορεί να είναι δαπανηρή, ειδικά όταν οι εταιρείες πρέπει να προσλάβουν επιστήμονες δεδομένων ή να στραφούν σε εξωτερικούς συμβούλους και συνεργάτες.

Επιπλέον, οι επιστήμονες δεδομένων και οι μηχανικοί μηχανικής μάθησης συνήθως ανατίθενται σε διαφορετικές ομάδες. Πρέπει να συνεργάζονται στενά κατά την ανάπτυξη και εφαρμογή μοντέλων αιτιώδους ML και να έχουν ισχυρή δέσμευση με επιχειρηματικούς φορείς που έχουν γνώση του τομέα. (Η γνώση τομέα είναι επίσης απαραίτητη στην παραδοσιακή μηχανική εκμάθηση, αλλά συχνά εφαρμόζεται λιγότερο αυστηρά επειδή οι ομάδες δεν λαμβάνουν πλήρως υπόψη τις υποκείμενες σχέσεις μεταξύ των μεταβλητών κατά τη δημιουργία μοντέλων.)

Για παράδειγμα, στη Neue Zürcher Zeitung, οι γνώσεις των συντακτών και των εμπόρους μάρκετινγκ σχετικά με τις διαδικασίες σύνταξης, τις προτιμήσεις των πελατών και τους μακροπρόθεσμους στόχους της επωνυμίας βοηθούν τους επιστήμονες δεδομένων να καθορίσουν τις μεταβλητές που μετρούν αυτούς τους παράγοντες. Στην Hitachi ABB, οι μηχανικοί παρέχουν τις πληροφορίες που απαιτούνται για τον καθορισμό των μεταβλητών κατασκευής που θα συμπεριληφθούν στα μοντέλα.

Οι διεπιστημονικές ομάδες συχνά μαστίζονται από έλλειψη κοινής κατανόησης, λεξιλογίου και τρόπων εργασίας.Οι διευθυντές πρέπει να καλλιεργήσουν ένα περιβάλλον όπου η διαλειτουργική συνεργασία μπορεί να ευδοκιμήσεικαι στην οποία όλα τα ενδιαφερόμενα μέρη συμμετέχουν στη διαδικασία ανάπτυξης του μοντέλου. Τακτικά εργαστήρια, συναντήσεις και εκπαιδευτικές συνεδρίες όπου επιστήμονες δεδομένων, μηχανικοί μηχανικής μάθησης και ειδικοί τομέα εξερευνούν προβλήματα μαζί, βελτιώνουν τα μοντέλα και συζητούν τις επιπτώσεις των ευρημάτων από κοινού, μπορούν να ενισχύσουν ένα περιβάλλον όπου ευδοκιμεί η διαλειτουργική συνεργασία.

Μηχανική εκμάθησηέχει αλλάξει τον τρόπο με τον οποίο πολλοί οργανισμοί λαμβάνουν αποφάσεις.Η αιτιώδης ML μπορεί να εμβαθύνει περαιτέρω τη γνώση προβλέποντας τις επιπτώσεις διαφορετικών επιλογών στα επιχειρηματικά αποτελέσματα. Οι επιχειρήσεις είναι πιο πιθανό να επωφεληθούν από τη μηχανική μάθηση όταν οι υπεύθυνοι λήψης αποφάσεων εμπιστεύονται τα αποτελέσματα. Γνωρίζοντας τι μπορεί να κάνει το Causal ML και πώς συγκρίνεται με το παραδοσιακό ML μπορεί να σας βοηθήσει να επιλέξετε τα σωστά έργα για κάθε τεχνολογία και να αυξήσετε τα ποσοστά επιτυχίας σας.

Όταν οι διευθυντές χρησιμοποιούν το Causal ML με σύνεση για να διερευνήσουν επιλογές για τις πιο απλές αποφάσεις, μπορούν να βελτιώσουν σημαντικά τις λειτουργίες τους και, τελικά, τα οικονομικά τους αποτελέσματα.

Βιβλιογραφία

Σ. Feuerriegel, Y.R. Shrestha, G. von Krogh, et al., «Bringing Artificial Intelligence to Business Management», Nature Machine Intelligence 4, αρ. 7 (Ιούλιος 2022): 611-613; και P. Hünermund, J. Kaminski και C. Schmitt, "Αιτιώδης Μηχανική Μάθηση και Λήψη Επιχειρηματικών Αποφάσεων“, SSRN, ενημερώθηκε στις 19 Φεβρουαρίου 2022,https://ssrn.com.

Αγ. Feuerriegel, D. Frauen, V. Melnychuk, et al., «Causal Machine Learning for Predicting Treatment Outcomes», Nature Medicine 30 (Απρίλιος 2024): 958-968; V. Chernozhukov, C. Hansen, N. Kallus, et al, “Applied Causal Inference Powered by ML and AI”, αρχείο PDF (δημοσιεύτηκε από τους συγγραφείς στις 28 Ιουλίου 2024), https:causalml-book.org; και C. Fernández-Loría και F. Provost, "Causal Decision-Laking and Causal Effect Estimation are not the same … and Why It Matters," Informs Journal on Data Science 1, αρ. 1 (Απρίλιος-Ιούνιος 2022): 4-16.

Μ. von Zahn, K. Bauer, C. Mihale-Wilson, et al., «Smart Green Nudging: Reducing Product Returns Through Digital Footprints and Causal Machine Learning», Marketing Science, Articles in Advance, που δημοσιεύτηκε διαδικτυακά στις 8 Αυγούστου 2024. E. Ascarza, "Retention Futility: Targeting High Risk Customers Might Be Effective", Journal of Marketing Research 55, αρ. 1 (Φεβρουάριος 2018): 80-98; J. Yang, D. Eckles, P. Dhillon, et al., «Targeting for Long-Term Outcomes», Management Science 70, αρ. 6 (Ιούνιος 2024): 3841-3855; και M. Kraus, S. Feuerriegel, and M. Saar-Tsechansky, «Data-Driven Allocation of Preventive Care With Application to Diabetes Type II», Manufacturing & Service Operations Management 26, αρ. 1 (Ιανουάριος-Φεβρουάριος 2024): 137-153.

Γ. von Krogh, S.M. Ben-Menahem και Y.R. Shrestha, «Artificial Intelligence in Strategizing: Prospects and Challenges», στο «Strategic Management: State of the Field and Its Future», εκδ. I.M. Duhaime, M.A. Hitt και M.A. Lyles. (Νέα Υόρκη: Oxford University Press, 2021), 625-646.

"Τελειοποιήθηκε η premium παραγωγή σοκολάτας: Ο ρόλος της τεχνητής νοημοσύνης στην ποιοτική αριστεία", ETH AI Center, 11 Δεκεμβρίου 2023,https://ai.ethz.ch.

Τζ. Senoner, T. Netland και S. Feuerriegel, «Using Explainable Artificial Intelligence to Improve Process Quality: Evidence From Semiconductor Manufacturing», Management Science 68, αρ. 8 (Αύγουστος 2022): 5704-5723.

Η. Wasserbacher και M. Spindler, «Machine Learning for Financial Forecasting, Planning and Analysis: Recent Developments and Pitfalls», Digital Finance 4 (Μάρτιος 2022): 63-88.

Τζ. Persson, S. Feuerriegel και C. Kadar, «Μάθηση εκτός πολιτικής για προωθήσεις περιεχομένου σε όλο το κοινό“, έγγραφο εργασίας, 2023.

Senoner et al., "Using Explainable Artificial Intelligence", 5704-5723.