Pelajari cara mengukur dampak nyata fitur produk, kampanye, dan kebijakan dengan Python, DoWhy, serta EconML.
Skill yang dibangun
Merumuskan pertanyaan kausal dan membedakan korelasi dari dampak nyata fitur, kampanye, atau kebijakan.
Membuat causal graph serta mengidentifikasi treatment, outcome, confounder, dan asumsi identifikasi menggunakan Python.
Mengestimasi average treatment effect dengan DoWhy dan memvalidasi ketahanannya melalui refutation test.
Menggunakan EconML untuk menganalisis heterogeneous treatment effect dan menemukan segmen user yang paling responsif.
Membersihkan data produk, menghindari data leakage, membaca hasil estimasi, serta menyampaikan keterbatasan analisis secara bertanggung jawab.
Data analyst, data scientist pemula-menengah, machine learning engineer, product analyst, dan developer Python yang sudah memahami dasar Python, pandas, statistik dasar, serta konsep machine learning dan ingin mengukur dampak nyata dari fitur, kampanye, atau kebijakan menggunakan data produk.
Project outcomes
Kamu akan membangun mini proyek analisis dampak fitur produk dari ujung ke ujung. Dataset simulasi berisi karakteristik user, status penggunaan fitur baru sebagai treatment, dan outcome seperti conversion atau revenue. Kamu akan membuat causal graph, mengestimasi dampak rata-rata dengan DoWhy, menjalankan refutation test, lalu memakai EconML untuk mencari segmen user yang memperoleh dampak paling besar. Hasil akhirnya berupa notebook analisis dan rekomendasi berbasis bukti untuk keputusan produk.
Banyak tim produk melihat korelasi lalu buru-buru menyimpulkan bahwa sebuah fitur meningkatkan retention atau revenue. Padahal, user yang memakai fitur bisa saja memang sudah lebih aktif sejak awal. Kursus ini membantu kamu membedakan korelasi dari dampak kausal dengan pendekatan Causal AI yang bisa dipakai dalam pekerjaan nyata.
Kamu akan mulai dari pertanyaan kausal, causal graph, confounding, treatment, outcome, dan estimand. Setelah fondasinya kebangun, kamu akan mengolah data produk dengan pandas, melakukan estimasi dampak memakai DoWhy, lalu memperkirakan heterogeneous treatment effect menggunakan EconML. Setiap konsep langsung dihubungkan ke skenario fitur produk, eksperimen, kampanye, dan kebijakan.
Kodenya dibangun bertahap menggunakan Python 3.10+ dan library yang benar-benar tersedia. Kamu akan mengikuti worked example yang runnable, membedah hasilnya, mengenali asumsi model, serta menjalankan refutation test. Di akhir, kamu punya workflow yang lebih rapi untuk menjawab pertanyaan seperti: apakah fitur baru benar-benar meningkatkan conversion, dan segmen user mana yang paling diuntungkan?
Format belajarnya praktis: ada guided practice untuk mengetik kode langkah demi langkah, lalu independent practice untuk menguji kemampuanmu pada skenario baru. Jadi bukan cuma hafal API, tapi ngerti kapan hasil kausal layak dipercaya dan kapan harus berhenti dulu karena datanya belum cukup.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.