因果智能：提升人工智能业务绩效的关键

人工智能（AI）和机器学习（ML）解决方案在各行各业都受到了极大的关注。近年来，企业在 ‘黑盒 ’解决方案上的投资越来越多，希望开发出最先进的算法，帮助企业更好、更智能、更高效地工作。. 

例如，最近围绕 AutoML 的大肆炒作。 自动化机器学习解决方案易于使用，比传统的 ML 模型具有更高的准确性和更快的实时部署速度。. .自 2016 年 4 月 Facebook 将 AutoML 称作其 AI/ML 解决方案的支柱以来，谷歌、Salesforce、亚马逊和微软都推出了各自专有的定制 AutoML 解决方案。. 

AutoML 等解决方案的主要优势显而易见：它们能让用户快速推出可投入生产的低成本人工智能/人工智能解决方案。然而，与其他 ‘黑盒 ’人工智能系统一样，使用它们进行自动决策也存在重大缺陷。. 

这些系统通常使用机器学习对结果进行建模--除非使用大 data。它们将用户特征映射到特定的细分市场（例如健康状况或财务状况），却不解释原因。.

这是很成问题的，不仅因为缺乏透明度，还因为运行这种自动用户映射有可能给决策算法带来可能的偏差，这些偏差来自于人类的偏见和隐藏在训练中的收集工件 data。这可能导致不公平或错误的决定。.

为避免这一问题，企业决策者应为这些 ‘后备箱 ’系统提供更可靠的 data 数据集--他们可以通过开发因果智能来完善这些数据集，即了解客户的行为与这些行为如何影响其业务之间的因果关系。. 

因果智能是如何运作的

因果关系并不是一个新概念。传统上，因果关系是通过 A/B 测试以及测试组和对照组之间的相似分析来推断的。然而，这种方法的问题在于，干预措施的数量或复杂程度越高，选择外观相似组和模拟对照组就越难。. 

而因果图解模型 (概率图模型 其中包含对 data 生成过程的假设）、, 解决这一问题。贝叶斯网络是最流行的因果图模型之一。它看起来像一个蜘蛛网或连接网络，揭示了每个变量对其他变量的影响。.

(上图：贝叶斯网络示例，显示各种因素对销售额的影响）

为了解释贝叶斯网络是如何工作的，请考虑这样一种情况：您正在整合营销投资回报。对于几个快速消费品品牌来说，鉴于大部分销售都发生在线下零售店，贝叶斯网络可以识别内部数字和线下营销工作、价格、竞争、外部因素（如商品市场）和线下销售之间的内部和外部联系。这样就可以提取出三种洞察力： 

1.描述性 (例如，亚马逊评论直接增加了 10 000 欧元的收入）。

2.预测性 (例如，在 CPM 广告上多投入 10% 可多带来 3000 欧元的增量收入）。

3.规范性 (例如，在预算相同的情况下，Facebook 可获得 30% 的更多投资，而 Email 的投资则可减少 5%）。

确定因果关系

最重要的是，‘休闲智能 ’还能帮助决策者了解 data 中的 "原因"。. 

因果关系可能比你想象的更难发现。许多分析师认为，因果关系是指两个因素似乎随着时间的推移而相互影响；它们似乎都以类似的方式增加和减少。然而，这是一种误解。这种趋势可能纯属偶然，相关性并不意味着因果关系。这就是统计学家所说的 ‘虚假相关’--它并不一定存在。. 

识别 ‘虚假相关性 ’很容易掉入陷阱--许多决策者最终会根据这种不准确的假设做出决策。这种错误是如此常见，以至于 金融时报》将虚假相关性称为华尔街人工智能热潮的 “氪石.

然而，因果智能模型可以让用户更准确地确定各种关系。通过了解一个变量对另一个变量的影响，用户可以更准确地了解某些数字或输出的变化过程和原因，并（更准确地）预测相关性是会持续还是保持不变。.

因果智能的商业应用

对因果智能的需求因行业、采用人工智能/人工智能的成熟度以及生成和验证预测的人工干预数量而异。不过，该流程可以帮助各个垂直行业的企业加深对三个关键领域的理解：

• 营销投资回报率 (MROI)

传统上，营销人员通过营销组合模型（MMM）来完善最佳媒体组合或营销预算。这些模型往往是经典的宏观经济模型，可以说）强调媒体渠道投资之间的线性相关关系。.

当营销人员认为单一漏斗是绝对真理--从认知到考虑再到购买的线性客户旅程时，这样做是有道理的。但是，随着 谷歌的 Allan Thygesen 解释说，由于 ‘意图丰富的时刻"，漏斗已不复存在。’.没有任何两个顾客旅程是彼此相似的，接触点可以以网络或蜘蛛网的形式连接在一起。因果模型可以帮助企业以可扩展和稳健的方式估计这些相互关联的接触点对销售的影响。.

• 开发创意资产

现在，许多公司都把重点放在生成细分的 audience 上，以激活市场营销。但为他们提供的创意如何？视觉吸引力是否足以吸引他们的注意力？

IPG 媒体品牌发布了 报告 在 2019 年进行的一项研究中，测试了创意对广告效果的影响。研究显示，尺寸、形状、主色调或次要主色调以及徽标平均可将点击率提高 2 倍。这种因果推理的意义在于，通过展示更吸引人的广告而不是不那么吸引人的广告，可以显著提高 ROAS 以及消费者体验。.

• 推广测量

快速消费品品牌经常依靠促销活动来拉动销售，拉近与消费者的距离。然而，它们仍然根据虚假的相关关系而非因果关系来衡量促销的影响。相反，它们应该广泛研究产品需求之间的内在因果关系，以确定 “光环 ”和 “蚕食 ”效应，更不用说将促销相关活动和投资的效果与时间因素隔离开来。.

成功的三个信念

提高人工智能/人工智能模型工作原理的透明度，并揭示这些模型所做预测的理由，可以帮助决策者制定下一步计划。要开始实施因果智能并从中产生增量价值，他们可以从现在开始遵循以下三个信念：

1.开始收集更全面的 data： 不要局限于已有的 data。与所有业务和技术利益相关者一起，确定可能影响产品市场表现的所有内部和外部因素。然后，您就可以开始收集 data，并将所有 data 来源整合在一起。.

2.将人工智能/ML 与人类智能相结合： 在绘制不同因素之间的路径/联系图时，可以根据纯粹的统计数据建立网络。但切记要利用主要业务专家的意见来验证和调整网络，以减少偏差和发现禁忌联系。. 

3.让最终用户和利益相关者从一开始就参与进来： 由于使用的 data 点种类繁多，再加上要纳入人类业务专家的意见，因果智能需要大量时间。这些利益相关者和最终用户需要从一开始就参与其中。.