Apprentissage automatique causal - une approche basée sur la théorie économique

Département de gestion des systèmes d'information et des opérations

Intervenant : Kevin Bauer (Université Goethe de Francfort)

Salle Bernard Ramanantsoa

Lorsque les effets des traitements individuels varient, les attributions de traitement personnalisées (ciblage) peuvent améliorer considérablement l'efficacité des interventions. Cet article analyse si les méthodes d'apprentissage automatique causal (CML) appliquées aux données Web de base (empreintes numériques) peuvent être utilisées pour le ciblage et pourquoi elles sont efficaces. Nous combinons les données d'un traitement de cadrage des pertes dans le cadre d'une expérience de terrain à grande échelle dans une boutique de mode en ligne avec des mesures expérimentales de l'aversion individuelle des consommateurs pour les pertes. Nous démontrons que le ciblage basé sur le CML pourrait transformer une campagne marketing autrement inefficace en une campagne générant une augmentation des revenus à six chiffres. Nos résultats révèlent également que le ciblage basé sur le CML est cohérent avec la théorie économique, car les effets de traitement individuels prédits montrent une corrélation significative avec les mesures d'aversion aux pertes. Nos résultats démontrent l'efficacité des méthodes CML pour l'attribution de traitements ciblés et comment la théorie économique (comportementale) et la mesure des paramètres de préférence structurelle peuvent améliorer leur interprétabilité et leur transparence.