Modélisation causale et contrefactuelle

La comparaison des coûts dépend de ce que vous cherchez à apprendre et de la faisabilité même d'une expérimentation. Les tests A/B représentent la référence absolue lorsqu'il est possible de randomiser, mais de nombreuses décisions en entreprise ne peuvent faire l'objet de tests : vous ne pouvez pas attribuer des prix de manière aléatoire à des segments de clientèle pendant des mois, ouvrir ou fermer des magasins au hasard, ni refuser des prêts de façon arbitraire pour mesurer l'impact disparate. Dans ces situations, la comparaison ne porte pas sur l'inférence causale face aux tests A/B, mais sur l'inférence causale face à l'improvisation. Pour les décisions pouvant faire l'objet d'expérimentations, l'inférence causale à partir de données observationnelles complète souvent les tests A/B en mesurant les effets à long terme, en estimant les effets de traitement hétérogènes entre sous-groupes et en comblant le manque lorsque la taille de l'échantillon expérimental est trop réduite pour une analyse fiable par sous-groupe. Le périmètre d'une mission s'étend généralement d'une analyse causale ciblée d'un traitement unique (recueil du graphe, estimation, analyse de sensibilité, documentation) jusqu'à un pipeline causal de production doté d'une surveillance automatisée. La rentabilité est la plus évidente lorsque le coût de l'intervention est élevé : si vous dépensez des millions dans des promotions, des révisions tarifaires ou des réorientations stratégiques, savoir quels sous-groupes réagissent réellement par rapport à ceux qui auraient agi de toute façon rentabilise très rapidement la mission.

Il s'agit d'une limite connue et non d'un bug. CausaLens a publié des recherches démontrant que NOTEARS manque d'invariance d'échelle : modifier les unités d'une variable (des mètres aux centimètres, des dollars aux milliers) altère le graphe découvert. L'algorithme applique une pénalité L1 sur le poids des arêtes, et le changement d'échelle modifie ces poids, ce qui change les arêtes qui survivent à la pénalisation. DECI et d'autres méthodes neuronales de découverte causale corrigent en partie ce problème mais introduisent leurs propres difficultés avec les données de types mixtes et les valeurs manquantes. Le problème de fond réside dans le fait que la découverte causale entièrement automatisée à partir de seules données observationnelles reste un problème de recherche ouvert. Ces algorithmes supposent l'absence de facteurs de confusion non mesurés, ce qu'aucun jeu de données d'entreprise ne peut garantir. Nous utilisons la découverte automatisée comme générateur d'hypothèses : nous la lançons, faisons émerger des arêtes candidates, puis faisons valider ou rejeter chacune d'elles par des experts métier. Le graphe de production est construit de manière collaborative avec les personnes qui comprennent le processus de génération des données, avec des vérifications formelles d'identifiabilité avant d'engager toute estimation.

Il s'agit presque toujours d'un problème d'implémentation du cross-fitting. Le double machine learning débaisé exige que les modèles de nuisance (propension au traitement et régression du résultat) soient ajustés sur des plis (folds) de données distincts de ceux utilisés pour l'estimation causale finale. Si le cross-fitting n'est pas correctement implémenté, ou si le nombre de plis est insuffisant, les modèles de nuisance surajustent à l'échantillon d'estimation, et les estimations de CATE qui en résultent sont dictées par ce surapprentissage plutôt que par une véritable hétérogénéité des effets de traitement. Nous diagnostiquons cela en contrôlant la qualité de prédiction de la première étape sur l'ensemble des plis, en testant la stabilité de l'estimation sous différents nombres de plis et graines aléatoires, et en vérifiant que la condition d'orthogonalité de Neyman est respectée en pratique. Si les modèles de première étape sont de faibles prédicteurs du traitement ou du résultat, l'orthogonalisation qui garantit l'efficacité du DML s'effondre. Dans ce cas, la solution ne réside pas dans l'augmentation du nombre de plis mais dans de meilleurs modèles de nuisance, ou dans l'adoption d'une méthode ne dépendant pas d'une prédiction forte en première étape, comme les variables instrumentales ou un plan expérimental direct.

Les méthodes causales constituent ici l'approche adéquate car la question réglementaire est intrinsèquement causale : l'attribut protégé cause-t-il la décision défavorable, ou la disparité statistique s'explique-t-elle par des facteurs de risque légitimes ? Le Colorado AI Act, en vigueur à compter du 30 juin 2026, impose aux déployeurs d'IA à haut risque de faire preuve d'une diligence raisonnable contre la discrimination algorithmique, y compris des tests documentés d'impact disparate sur les catégories protégées. L'analyse de disparité statistique (comparer les taux d'approbation entre groupes) indique si un écart existe. L'analyse causale explique pourquoi il existe : si cet écart découle de l'attribut protégé lui-même, de variables de substitution qui lui sont corrélées, ou de facteurs de souscription légitimes qui se trouvent distribués différemment selon les groupes. Nous structurons cela sous forme d'une analyse de médiation causale : construction du DAG illustrant comment les attributs des candidats transitent par le modèle jusqu'à la décision, identification des voies causales directes et indirectes reliant les attributs protégés aux résultats, et quantification de la part de disparité observée véhiculée par chaque voie. Le livrable est un document associant chaque affirmation causale à ses hypothèses d'identification, répondant pleinement aux exigences documentaires de la loi.

Toutes deux estiment les effets de traitement moyens conditionnels (CATE), qui indiquent qui bénéficie le plus d'un traitement. Les forêts causales (Athey et Imbens) découpent les données pour maximiser directement l'hétérogénéité des effets de traitement. Les méta-apprenants (S-Learner, T-Learner, X-Learner) réutilisent des modèles de ML standards pour l'estimation causale en entraînant des modèles de résultat et en calculant les effets de traitement par différence de prédictions. À l'échelle de l'entreprise, les méta-apprenants l'emportent actuellement en matière d'applicabilité pratique. Un benchmark récent à grande échelle mené sur 13,98 millions de dossiers clients a montré que le S-Learner avec LightGBM a atteint la plus haute performance d'uplift, les 20 % de clients en tête captant 77,7 % de toutes les conversions incrémentales. Les forêts causales nécessitent un sous-échantillonnage à cette échelle en raison de contraintes de calcul. Les méta-apprenants s'intègrent également plus naturellement dans les pipelines de ML existants puisqu'ils s'appuient sur des modèles supervisés standards comme apprenants de base. Nous évaluons les deux sur les données de chaque client car la méthode optimale dépend de la structure de l'effet de traitement : les forêts causales peuvent révéler une hétérogénéité des effets selon des dimensions inattendues, tandis que les méta-apprenants exploitent la puissance prédictive du gradient boosting lorsque la dynamique de l'effet de traitement est plus régulière.

Les violations de positivité signifient que pour certaines combinaisons de covariables, chaque unité observée a soit toujours reçu, soit jamais reçu le traitement. La pondération standard par l'inverse du score de propension amplifie le bruit de façon catastrophique pour les scores de propension proches de zéro, produisant des estimations d'effets de traitement dominées par une poignée de poids extrêmes. Nous diagnostiquons la positivité avant toute estimation en examinant la distribution des scores de propension et en signalant les zones de chevauchement minimal entre groupes traités et témoins. La solution dépend de la nature de la violation. Pour les violations pratiques (certains segments sont rarement traités mais le traitement reste possible), les poids de chevauchement ou l'élagage (trimming) restreignent l'estimation à la région où les deux groupes sont convenablement représentés, et nous documentons clairement quelles sous-populations bénéficient d'estimations fiables par rapport à celles qui sont extrapolées. Pour les violations structurelles (certains segments ne peuvent jamais recevoir le traitement), la question causale elle-même est mal posée pour ces groupes, et la réponse honnête consiste à les exclure de l'estimande plutôt que de prétendre pouvoir estimer ce que les données ne peuvent étayer.

C'est l'un des cas d'usage les plus probants pour le contrôle synthétique. Vous disposez d'une seule unité traitée (le marché où le nouveau magasin a ouvert) et d'aucun groupe témoin randomisé. La méthode du contrôle synthétique construit une combinaison pondérée de marchés non traités qui reproduit fidèlement la trajectoire pré-intervention du marché traité sur les indicateurs clés. L'effet de traitement correspond à la divergence entre la performance réelle du marché traité après l'ouverture et la performance prédite par le contrôle synthétique. Cette méthode fonctionne particulièrement bien lorsque vous disposez d'un nombre suffisant de marchés donneurs aux caractéristiques similaires et d'une période pré-intervention assez longue pour valider l'ajustement. Elle s'effondre lorsqu'aucune combinaison de marchés témoins ne peut reproduire la tendance antérieure du marché traité, ou lorsque d'autres interventions (ouvertures concurrentes, chocs macroéconomiques) touchent simultanément le marché traité. Nous mettons en œuvre le contrôle synthétique avec des tests placebo (application de la méthode à des marchés non traités pour vérifier qu'elle ne détecte pas d'effets parasites) et des diagnostics d'ajustement pré-tendance qui quantifient la qualité d'appariement avant même d'examiner les résultats post-intervention.

CausaLens fournit une plateforme no-code de Decision Intelligence intégrant des capacités de découverte causale, d'estimation et d'optimisation, soutenue par plus de 50 millions de dollars de financements et une expérience confirmée de déploiements en entreprise. L'écosystème PyWhy (DoWhy, EconML) est open source, soutenu par Microsoft Research, et compte environ 24 000 étoiles sur GitHub avec une large adoption communautaire. Le choix entre plateforme commerciale et open source dépend de l'expertise de votre équipe en inférence causale et de votre tolérance à l'opacité méthodologique. Si vous disposez de l'expertise statistique pour valider les hypothèses, diagnostiquer les défaillances et interpréter les analyses de sensibilité, PyWhy vous offre un contrôle absolu sans coût de licence. Si vous recherchez une interface infogérée et acceptez de vous en remettre aux choix méthodologiques de la plateforme, CausaLens allège la charge d'ingénierie. Le risque avec toute plateforme réside dans l'abstraction de la méthodologie, or l'inférence causale est précisément le domaine où les choix méthodologiques (structure du graphe, sélection des estimateurs, analyse de sensibilité) sont structurants. Nous intervenons sur les deux plans : développement sur PyWhy lorsque le client dispose de ressources en ingénierie, ou intégration avec CausaLens lorsque le client a déjà investi dans la plateforme. La couche méthodologique demeure identique quel que soit l'outillage.

Le risque est de prendre une décision métier avec une fausse certitude, sur la base d'une estimation qui pourrait être intégralement expliquée par un facteur de confusion non mesuré. Toute estimation causale observationnelle suppose que vous avez mesuré tous les facteurs de confusion pertinents. Cette hypothèse n'est pas vérifiable. L'analyse de sensibilité quantifie votre marge d'erreur possible : les E-values indiquent l'intensité minimale de confusion (risque relatif) qu'une variable non mesurée devrait avoir à la fois avec le traitement et avec le résultat pour annuler votre estimation. Les bornes de Rosenbaum précisent le niveau maximal de biais caché compatible avec un intervalle de confiance excluant toujours zéro. Sans ces analyses, une estimation de CATE de +15 % de conversion incrémentale peut être réelle, ou résulter d'un simple artefact lié à une unique variable non mesurée. Nous intégrons l'analyse de sensibilité dans chaque livrable causal, non pas sous forme d'annexe mais comme métrique principale de crédibilité. Pour les dossiers réglementaires, cela n'a rien de facultatif : documenter la robustesse des allégations causales face aux facteurs de confusion non mesurés constitue une composante obligatoire de la preuve de diligence raisonnable sous des cadres tels que le Colorado AI Act.