GR · MM · 364
预测与因果推断辨析
Prediction Vs Causal Inference · prediction-vs-causal-inference--ramesh-johari
所属簇 实验体系与统计方法论
解决什么问题
数据科学团队用机器学习模型做预测（预测谁会被雇佣、预测用户 LTV），然后直接用预测结果做业务决策（排序、发券），但预测准确不等于决策正确。
核心内容
- 预测 ≠ 决策。机器学习模型擅长发现相关性（correlation），但业务决策需要因果推断（causal inference）。
- 经典陷阱——LTV 模型：
- 做法：训练 LTV 模型，把高价值促销发给预测 LTV 最高的用户。
- 问题：这些用户本来就值这么多钱，你发不发券他们都会花。你关心的是增量——"因为我发了券，他们多花了多少？"
- 正确问法：不是"他的绝对 LTV 是多少"，而是"因为我做了这个决策，他的 LTV 差值是多少"（differential rather than absolute）。
- 经典陷阱——匹配排序算法：
- 做法：训练模型预测哪个候选人最可能被雇佣，按此排序展示给雇主。
- 问题：模型只是在复现过去的数据模式。
- 正确评估方式：不是"算法 A 能否更好复现历史选择"，而是"算法 A 是否比算法 B 带来更多 bookings/revenue/更好的后续评分"。
- 核心原则：无论数据科学家在做什么具体任务，都应该始终在脑中保持一个意识——目标是帮助业务做决策，而决策需要因果思维。
适用边界
- 适用于所有用数据模型驱动业务决策的场景。
- 作者承认有声誉性原因可能让你仍然选择把促销发给高 LTV 用户（不会有人因此怪你），但从决策效果看这不是最优的。
- 核心前提：需要实验（A/B testing）来建立因果推断。但实验本身也有文化陷阱（见 experimentation-learning-culture）。
关键引述 · 原话
"Predicting is about picking up patterns, but making decisions, it's about thinking about these differences." — Ramesh Johari
关联卡片
上游：marketplace-data-science-flywheel（matching 环节的评估需要因果思维）。下游：experimentation-learning-culture（因果推断需要实验，但实验文化本身需要改造）。
出处：Ramesh Johari · 03-podcasts/ramesh-johari.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2