異質處置效果與最適政策分配
電商平台服務各式各樣的購物用戶，每位用戶有自己的偏好與需求。 必然地，電商平台所提出的方案（treatment; policy）對某用戶群有效（以公司設定的關鍵績效指標KPI衡量)，對另一用戶群則有可能無法產生預期的效果。 研究者使用因果推論文獻中估計異質處置效果（heterogeneous treatment effects）的計量經濟學方法，找出客制化的方案，以求最適政策分配（optimal policy assignment）進而極大化設定的目標函數。 估計異質處置效果，除了增益模型（uplift modeling）與分量迴歸 (quantile regression) 這兩種受歡迎的統計方法外，利用因果機器學習方法估計條件平均處置效果（conditional average treatment effect）則可在儘量控制偽發生率下找出方案對何種特質（observed covariates）的用戶效果較大。 我們與台灣某電商合作，進行以下異質處置效果的估計、並提出最適政策分配建議。 首先，我們在電商平台進行方案的A/B數位試驗（隨機對照試驗），然後運用這組實驗資料並利用 Athey, Tibshirani, and Wager (2019, Annals of Statistics) 所開發的「一般化隨機森林 (或稱因果森林)」 計量方法估計條件平均處置效果。 接著，再使用 Chernozhukov, Demirer, Duflo, and Fernandez-Val (2020) “Generic machine learning inference on heterogeneous treatment effects in randomized experiments” 所提出的計量步驟，理論上合理地分出數群具異質處置效果的用戶群，並認定出各群的用戶特質。 我們也使用 Athey and Wager (2021, Econometrica) “Policy learning with observational data” 提出淺層決策樹型的最適政策分配建議 (optimal policy assignment based on a shallow policy tree); 請參見示意圖型。 最後電商平台再照以上所提出的政策分配建議進行另一輪線上平台實驗來驗證關鍵績效指標是否更加提升。
Jauer 