Double Machine Learning at Scale to Predict Causal Impact of Customer Actions
大规模双重机器学习：预测客户行为的因果影响AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用 DML 估计客户行为的因果影响并给出置信区间，属于因果推断；计算规模本身不构成其他领域分类依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
大规模双重机器学习：预测客户行为的因果影响
- 研究问题
- 面对大量客户行为和超大规模客户数据，如何将双重机器学习用于因果影响估计，并同时提供总体与客户层面的结果和置信区间？
- 方法与思路
- 作者在 Spark 上构建因果机器学习库，使用 JSON 驱动的灵活模型配置实现规模化 DML，并比较验证表现及计算时间指标。
- 材料陈述的贡献
- 摘要称实现可规模化因果影响估计与快速实验接口，支持跨平台及新场景接入，并报告相对基线的验证指标和计算时间改善。
- 阅读关注点
- 应核对客户层面因果影响的定义、处理与混杂变量、交叉拟合和区间构造，以及所报百分之二点二与二点五倍改善的指标含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明识别条件、基线和验证指标，不能据此确认因果有效性或实际加速倍数。
原文摘要
Causal Impact (CI) of customer actions are broadly used across the industry to inform both short- and long-term investment decisions of various types. In this paper, we apply the double machine learning (DML) methodology to estimate the CI values across 100s of customer actions of business interest and 100s of millions of customers. We operationalize DML through a causal ML library based on Spark with a flexible, JSON-driven model configuration approach to estimate CI at scale (i.e., across hundred of actions and millions of customers). We outline the DML methodology and implementation, and associated benefits over the traditional potential outcomes based CI model. We show population-level as well as customer-level CI values along with confidence intervals. The validation metrics show a 2.2% gain over the baseline methods and a 2.5X gain in the computational time. Our contribution is to advance the scalable application of CI, while also providing an interface that allows faster experimentation, cross-platform support, ability to onboard new use cases, and improves accessibility of underlying code for partner teams.