Causation

Causation là thuật ngữ tiếng Anh của quan hệ nhân quả.

Nó mô tả tình huống trong đó một yếu tố thực sự tạo ra thay đổi ở một yếu tố khác.

Có thể hiểu đơn giản:

A gây ra B.

Nhưng để kết luận được câu này cần nhiều bằng chứng hơn việc chỉ thấy A và B cùng thay đổi.

Đây là điểm khác biệt quan trọng giữa causation và correlation.

Correlation cho biết hai biến có liên hệ hoặc thay đổi cùng nhau.

Causation nói rằng thay đổi ở một biến tạo ra tác động lên biến còn lại.

Ví dụ doanh thu tăng cùng ngân sách quảng cáo.

Đó có thể là correlation.

Nhưng chưa đủ để kết luận quảng cáo đã gây ra toàn bộ mức tăng doanh thu.

Mùa vụ khuyến mãi giá sản phẩm thay đổi hoặc tăng số điểm bán đều có thể ảnh hưởng đến kết quả.

Những yếu tố như vậy có thể đóng vai trò confounder.

Confounder là biến có liên quan đến cả yếu tố đang được xem như nguyên nhân và kết quả đang quan sát.

Nếu không kiểm soát nó người phân tích có thể gán nhầm nguyên nhân.

Một ví dụ đơn giản là doanh số kem và số ca cháy nắng đều tăng trong mùa hè.

Điều đó không có nghĩa ăn kem gây cháy nắng.

Thời tiết nóng ảnh hưởng đến cả hai.

Một vấn đề khác là reverse causality.

Hai biến có thể liên quan nhưng hướng nguyên nhân bị hiểu ngược.

Ví dụ số nhân viên chăm sóc khách hàng tăng cùng số lượng khiếu nại.

Không thể từ đó kết luận tuyển thêm nhân viên làm khách khiếu nại nhiều hơn.

Cũng có thể khiếu nại tăng trước nên doanh nghiệp phải tuyển thêm người.

Để nói về causation cần quan tâm đến thứ tự thời gian.

Nguyên nhân phải xảy ra trước kết quả.

Nhưng điều này vẫn chưa đủ.

A xảy ra trước B không tự chứng minh A gây ra B.

Cả hai có thể cùng bị tác động bởi một yếu tố khác.

Một trong những cách mạnh nhất để kiểm tra causal effect là randomized experiment.

Trong một thử nghiệm ngẫu nhiên đối tượng được phân vào các nhóm theo cơ chế ngẫu nhiên phù hợp.

Một nhóm nhận treatment.

Một nhóm khác đóng vai trò control.

Randomization giúp giảm sự khác biệt có hệ thống giữa các nhóm.

Nếu các điều kiện được đảm bảo thì chênh lệch outcome giữa các nhóm có cơ sở tốt hơn để được diễn giải như tác động của treatment.

Trong sản phẩm số cách làm quen thuộc nhất là A/B Testing.

Ví dụ một nhóm người dùng thấy giao diện A.

Nhóm còn lại thấy giao diện B.

Nếu việc phân nhóm đúng và các yếu tố khác được kiểm soát thì chênh lệch conversion có thể cung cấp bằng chứng về tác động của thay đổi.

Nhưng A/B Testing cũng có thể cho kết luận sai nếu thiết kế kém.

Sample quá nhỏ.

Randomization lỗi.

Test dừng quá sớm.

Thay đổi nhiều yếu tố cùng lúc.

Hoặc chọn metric sau khi đã nhìn kết quả.

Tất cả đều có thể làm bằng chứng nhân quả yếu đi.

Không phải lúc nào cũng có thể chạy experiment.

Khi đó người phân tích có thể phải sử dụng observational data.

Đây là lúc Causal Inference trở nên quan trọng.

Causal Inference là lĩnh vực nghiên cứu các phương pháp suy luận tác động nhân quả từ dữ liệu dưới những giả định rõ ràng.

Các phương pháp có thể bao gồm matching difference-in-differences regression discontinuity instrumental variables và nhiều kỹ thuật khác.

Nhưng không có kỹ thuật nào tự động biến dữ liệu quan sát thành bằng chứng nhân quả.

Mỗi phương pháp dựa trên các giả định.

Nếu giả định sai kết luận cũng có thể sai.

Một khái niệm nền tảng là counterfactual.

Giả sử một khách hàng thấy quảng cáo và sau đó mua hàng.

Muốn biết quảng cáo có thực sự gây ra giao dịch hay không ta cần biết:

Nếu cùng khách hàng đó không thấy quảng cáo thì họ có mua hay không?

Đó là counterfactual.

Vấn đề là ta không thể quan sát cùng một người ở cùng thời điểm trong cả hai trạng thái.

Ta chỉ quan sát một kết quả thực tế.

Experiment và các phương pháp causal inference cố gắng tạo ra một cách hợp lý để ước lượng kết quả không quan sát được đó.

Treatment là yếu tố hoặc can thiệp mà ta muốn đo tác động.

Ví dụ:

Nhận voucher.

Xem quảng cáo.

Được gọi chăm sóc.

Sử dụng giao diện mới.

Tham gia chương trình đào tạo.

Outcome là kết quả cần đo.

Ví dụ conversion revenue retention thời gian xử lý hoặc một metric khác.

Câu hỏi causal thường có dạng:

Treatment này làm outcome thay đổi bao nhiêu?

Câu hỏi đó khác với:

Những người nhận treatment có outcome cao hơn không?

Câu sau chỉ mô tả association.

Ví dụ khách hàng được gọi chăm sóc có thể có tỷ lệ mua lại cao hơn.

Nhưng nếu đội sales chỉ chọn những khách hàng có tiềm năng cao để gọi thì hai nhóm đã khác nhau từ trước.

Khi đó selection bias xuất hiện.

Không thể quy toàn bộ chênh lệch mua lại cho cuộc gọi.

Đây là một ví dụ rất thường gặp trong dữ liệu kinh doanh.

Quan hệ nhân quả cũng cần xem xét mediator.

Mediator là biến nằm trên đường tác động từ nguyên nhân đến kết quả.

Ví dụ một chương trình đào tạo có thể tăng kỹ năng.

Kỹ năng sau đó làm tăng hiệu suất.

Kỹ năng có thể đóng vai trò mediator.

Nếu control mediator trong khi muốn đo tổng tác động của chương trình thì ta có thể vô tình loại bỏ chính một phần tác động cần đo.

Một cấu trúc khác là collider.

Condition trên collider trong một causal structure có thể tạo ra association vốn không tồn tại trước đó.

Điểm quan trọng ở đây là:

Không phải cứ đưa thêm nhiều biến vào regression là causal analysis tốt hơn.

Cần hiểu vai trò của từng biến.

Đây là lý do causal diagram hay DAG thường hữu ích.

DAG giúp người phân tích thể hiện giả thuyết về quan hệ nhân quả giữa các biến.

Nó không chứng minh giả thuyết đúng.

Nhưng nó giúp đưa các giả định ra khỏi đầu người phân tích và đặt chúng lên bàn để kiểm tra.

Quan hệ nhân quả cũng có thể khác nhau giữa các nhóm.

Một chương trình giảm giá có thể tác động mạnh đến khách hàng mới nhưng gần như không ảnh hưởng đến khách hàng trung thành.

Đây liên quan đến heterogeneous treatment effect.

Một average effect có thể che mất sự khác biệt đó.

Nhưng phân tích quá nhiều subgroup cũng dễ tạo false positive.

Do đó cần có giả thuyết hoặc phương pháp kiểm soát phù hợp.

Internal validity liên quan đến việc kết quả nghiên cứu có phản ánh đúng causal effect trong bối cảnh đang nghiên cứu hay không.

External validity liên quan đến việc kết quả đó có thể áp dụng cho những population hoặc bối cảnh khác đến đâu.

Một A/B test thành công với khách hàng mới chưa chắc tạo cùng tác động với khách hàng lâu năm.

Causal effect luôn có context.

Thời gian cũng rất quan trọng.

Một chương trình khuyến mãi có thể làm conversion tăng trong tuần đầu.

Nhưng nếu sau đó khách hàng chỉ chờ khuyến mãi mới mua thì tác động dài hạn có thể khác.

Vì vậy causal question nên xác định cả time horizon.

Ví dụ:

Voucher 10 phần trăm làm conversion trong 7 ngày thay đổi bao nhiêu?

rõ hơn rất nhiều so với:

Voucher có hiệu quả không?

Prediction và causation cũng cần được phân biệt.

Một model có thể dự đoán khách hàng nào có khả năng churn rất tốt.

Nhưng điều đó không cho biết hành động nào sẽ làm khách hàng không churn.

Prediction hỏi điều gì có khả năng xảy ra.

Causal inference hỏi điều gì sẽ xảy ra nếu chúng ta can thiệp.

Đây là hai bài toán khác nhau.

Machine Learning mạnh không tự động giải quyết được causation.

Model có thể học association rất tốt.

Nó vẫn có thể học luôn confounding trong dữ liệu lịch sử.

Nhiều dữ liệu hơn không chữa được một thiết kế causal sai.

Trong thực tế kinh doanh một lỗi phổ biến là nhìn dashboard trước và sau một thay đổi rồi kết luận nguyên nhân.

Ví dụ:

Tuần trước conversion là 3 phần trăm.

Tuần này đổi giao diện.

Conversion lên 4 phần trăm.

Sau đó kết luận giao diện mới làm conversion tăng.

Có thể đúng.

Nhưng cũng có thể traffic mix thay đổi.

Có campaign mới.

Có mùa vụ.

Hoặc giá sản phẩm thay đổi.

Before-after comparison đơn thuần thường chưa đủ để khẳng định causation.

Regression cũng không tự giải quyết vấn đề này.

Một regression model có thể kiểm soát một số biến quan sát.

Nhưng causal interpretation vẫn phụ thuộc vào assumptions và causal design.

R-squared cao không phải chứng nhận nhân quả.

Một quy trình suy luận nhân quả đơn giản có thể là:

Xác định treatment → xác định outcome → mô tả causal hypothesis → tìm confounder → chọn experimental hoặc observational design → kiểm tra assumptions → ước lượng effect → đánh giá uncertainty → kiểm tra robustness → diễn giải đúng context.

Trước khi dùng câu:

A gây ra B.

nên tự hỏi:

A có xảy ra trước B không?

Có confounder nào giải thích cả hai không?

Có khả năng reverse causality không?

Treatment được lựa chọn như thế nào?

Có control group hợp lý không?

Assumption nào đang được sử dụng?

Evidence hiện tại thực sự cho phép kết luận mạnh đến đâu?

Nếu bằng chứng chưa đủ cách diễn đạt chính xác hơn thường là:

A có liên quan đến B.

Thay vì:

A gây ra B.

Chỉ khác vài chữ.

Nhưng mức độ bằng chứng khác nhau rất xa.

Tag Causation tổng hợp các bài viết và kiến thức về quan hệ nhân quả correlation confounding counterfactual treatment outcome A/B Testing causal inference selection bias và cách đánh giá tác động nhân quả đúng trong phân tích dữ liệu.