🏗️Exemple concret
Un retailer veut mesurer l'impact réel d'une campagne emailing. Avec une simple comparaison ouverts/non-ouverts, on confond l'effet du mail et le biais de sélection (les engagés ouvrent ET achètent plus). Avec la méthode des variables instrumentales ou le Double ML, on isole l'effet causal pur : le mail génère +4,2€ de CA incrémental par client, pas les +18€ apparents.
∑ Concept clé
ATE (Average Treatment Effect) = E[Y(1)] - E[Y(0)] = E[Y|T=1] - E[Y|T=0] (uniquement si T est aléatoire)
🎯Quand l'utiliser ?
✓Mesure de l'impact incrémental des campagnes marketing
✓Évaluation de politiques publiques ou RH
✓Quand un A/B test randomisé n'est pas possible
✓Attribution causale dans les funnels de conversion
✅ Avantages
+Résultats actionnables (évite les décisions basées sur des corrélations trompeuses)
+Permet d'évaluer sans expérimentation aléatoire (observationnel)
+Double ML et CausalML permettent des estimations avec des features complexes
⚠️ Limites
−Requiert des hypothèses fortes sur la structure causale
−Complexité méthodologique élevée
−Difficile à expliquer aux stakeholders non techniques
🛠️ Outils principaux
DoWhy (Microsoft)
EconML (Microsoft)
CausalML (Uber)
R (MatchIt, rdrobust)
PyWhy
CausalitéInférenceExpérimentationMarketingÉconométrie