Зачем этот кейс События (промо, изменение цены, запуск канала) нельзя автоматически «чистить» как аномалии. Их нужно оценивать как причинный эффект. Идея на практике 1. Выделяем tr
Feature engineering, аномалии, структурные сдвиги и событийные эффекты.
Ключевые темы: аномалии, ruptures, признаки, события.
Causal Impact — это подход к оценке эффекта события (запуска промо или фичи), когда контрольной группы нет, но есть история метрики и похожие ряды, на которые вмешательство не влияло. По данным до события строят прогноз того, как метрика вела бы себя без вмешательства, и сравнивают его с фактом после. Разница между фактом и прогнозом-контрфактом и есть оценка причинного эффекта.
Где применяется в аналитике: Применяется для оценки маркетинговых кампаний, региональных запусков, изменений цен и любых разовых событий, где честный A/B невозможен. Удобен, когда есть длинная история и стабильные ряды-доноры для построения базовой линии.
На собеседовании: Спрашивают, чтобы проверить умение оценивать эффект без эксперимента. Смотрят, понимает ли кандидат идею контрфактического прогноза и риски: влияние внешних событий и качество ряда-донора.
В Pro-подписке по этому конспекту получите: