Estos no son enfoques competitivos sino soluciones para diferentes problemas. Cuando pregunta en qué casos es más beneficioso, la inferencia causal es más beneficiosa, asume que ambos abordan los mismos problemas. Ellos no. Trataré de proporcionar ejemplos de mi propio trabajo, espero que tenga sentido.
La causalidad supone que desea explicar que A causó B (y, si es posible, qué cambió). Ejemplo: una nueva característica en un juego (A) mejora los ingresos por usuario (B). En este caso específico, aislar A a un grupo de usuarios de prueba y comparar B tanto de prueba como de control demostrará causalidad ya que todo lo demás sigue siendo el mismo. Puede decir con seguridad que B fue causado por A o que no tuvo ningún efecto.
El modelado predictivo supone que construye un modelo sobre datos existentes que predice correctamente un resultado futuro. Ejemplo: Digamos que tengo un año de datos. Construyo un modelo que predice el valor de vida de un año de una cohorte de jugadores que usan su día 1 de retención y país. Eso significa que dentro de 1 día y dos variables puedo predecir su valor durante un período de un año. Esto sería extremadamente útil para ajustar rápidamente la adquisición de usuarios, por ejemplo.
- ¿Cuáles son algunas de las arquitecturas de big data más complejas con análisis que conoces?
- ¿Cuándo se usaría un modelo oculto de Markov en lugar de una red neuronal recurrente?
- ¿Qué papel juegan las estadísticas en la ciencia de datos en comparación con habilidades como programación o visualización y comunicación?
- Cómo calcular la distribución estadística en un gran conjunto de datos
- ¿Qué campo tiene mejores perspectivas de carrera, Big data o data science?
No pude usar el modelado predictivo para probar si la función tuvo algún impacto.
No pude usar la inferencia causal para predecir el resultado de la estrategia de AU.
Manzanas y naranjas. Espero eso ayude.
