Causal Impact

- 목표 : 마케팅 캠페인 A를 시행했을때, 정말 효과 있었어? 이걸 유저의 결제금액 B로 보고 싶다고 가정하자

- 기존 방법

단순하게 생각하면 (DiD 방법론) 

B'는 마케팅 시행이전, B''를 마케팅 시행 이후 결제금액이라고 하자

유저그룹	B'	B''
실험군	100	1000
대조군	100	500

 

실험군은 10배, 대조군은 5배 올랐으니까 마케팅 효과가 있었다고 볼 수도 있겠다

 

- 그런데 의문점 : 정말 순수하게 마케팅 효과인거 맞아? 왜 대조군은 5배 오른거야? 다른 뭔가 때문에 우연히 오른거 아니야? A가 B에 미친 영향을 순수하게 보고 싶어!

예를 들어 여름이라서 갑자기 B가 늘었다던가, 방송출연해서 B가 늘었다고 볼 수 있을 것이다.

그런 시계열적 요소 또한 고려하고 싶을때 causal impact를 사용할 수 있다.

 

 

- casusal impact 방법론 : A를 시행했을때는 이미 있으니까 A를 시행하지 않았을때의 시즈널 그래프를 예측해서 비교해보자!

A를 시행하지 않았을 때 예측은 BSTS 를 많이 사용한다.

1) INPUT : 트렌드 + 시즈널리티(ex. 온도) + 넣고 싶은 변수(ex. 검색량) 등으로 

2) TRAIN : A를 시행했을 때의 그래프

3) PREDICT : A를 시행하지 않았을 때의 그래프

 

 

- 3)과 2)의 차이를 A로 인한 효과로 보면 된다!

ref: https://miistillery.me/causalimpact/