Klassifizierung und Regression sind die Leitsterne der Statistik und tauchen auch im Zusammenhang mit kausalen Entscheidungen wieder auf. In diesem Fall nutzt die Regression die Daten tatsächlich dazu, kausale Effekte zu ermitteln. Analog zur Klassifizierung optimieren wir bei der Definition der optimalen kausalen Entscheidung die Daten auf eine andere Weise als bei der Ermittlung des kausalen Effekts. Dies hilft uns bei der Entscheidung, was wir anhand der Daten vor allem ermitteln möchten und welche Ziele bei der Analyse am wichtigsten sind. In dieser zweiten Woche setzen wir unsere Reihe zur Optimierung kausaler Entscheidungen fort und konzentrieren uns dabei auf die Frage, wo sich ein Restaurant auf der Grundlage von Standortdaten (anonymisiert) aus Mobilfunknutzerdaten am besten ansiedeln lässt.

Online-Werbung ist für Unternehmen sowohl eine Herausforderung als auch eine Chance. Aus Marketing-Sicht lautet die Frage, die es zu klären gilt: Wie viel soll ausgegeben werden, für wen und wann? Aus Nutzersicht gilt: Je weniger Werbung, desto besser; doch wenn es schon Werbung geben muss, sollte sie relevant und hilfreich sein. Dies ist ein Beispiel für einen Marktplatz, der auf Online-Werbung basiert. Ein einfaches Beispiel, das wir bereits zuvor betrachtet haben, ist der A/B-Test. In dieser Woche kehren wir zu der Frage zurück, wie die Darstellung von Informationen optimiert werden kann, diesmal jedoch aus einer kausalen Perspektive. Wir werden den „Causal Forest“-Ansatz zur Ermittlung einer optimalen kausalen Entscheidung durchgehen. Außerdem werden wir uns mit randomisierten klinischen Studien befassen und erläutern, wie die Kontrolle des Behandlungseffekts die Analyse deutlich klarer machen kann.

Die Gruppe um David Blei hat einen interessanten Ansatz zur Definition kausaler Entscheidungen vorgestellt, bei denen zwar weiterhin Störfaktoren vorhanden sind, diese jedoch so behandelt werden können, dass dennoch ein kausales Verständnis des Entscheidungsprozesses möglich ist. Wir werden diese Arbeit und ihre Implikationen untersuchen, zusammen mit anderen ähnlichen Ansätzen für den Umgang mit Daten, bei denen Störfaktoren die Analyse andernfalls erschweren würden. Wir beginnen mit der Frage, wie man die Ausgaben für ein neues Filmprojekt am besten festlegt: Soll man diesen Star-Schauspieler engagieren oder mehr für Stunts ausgeben? Dies ist ein weiteres Beispiel für eine kausal verknüpfte Entscheidung, bei der es kein endgültiges „Richtig“ oder „Falsch“ gibt, die jedoch erhebliche Auswirkungen auf ein Unternehmen hat.

Die Frage, wie man am besten eine Entscheidung für eine große Gruppe im Gegensatz zu einer Einzelperson trifft, ist unser abschließendes Leitmotiv für diese Spezialisierung. In vielerlei Hinsicht ist dies die entscheidende Frage im Gesundheitswesen: Wie lässt sich am besten eine optimale Behandlung für jeden Einzelnen ermitteln? Zwar liegt noch viel Arbeit vor uns, um detailliert zu beschreiben, wie dies umgesetzt werden kann, doch wurden bereits Fortschritte dabei erzielt, wie die für viele Menschen gesammelten Informationen genutzt werden können, um die beste Behandlung für den Einzelnen zu ermitteln. Gerade diese aktuellen Fortschritte lassen viele Menschen mit Spannung auf die Zukunft der personalisierten Medizin blicken. Gleichzeitig ist es angebracht, sich der Grenzen dessen bewusst zu sein, was derzeit im Hinblick auf die Frage nach einer optimalen individuellen Behandlung möglich ist.