Time series & Causal inference

Différents éléments théoriques sur les time series et causal inference.

💼 Problèmes business récurrents

#

•   Forecasting business (demand forecasting, revenue forecasting, …)
•   Impact et décisions (marketing, pricing, product changes)
•   Allocation (budget marketing, stock, ressources)

🧱 Fondations

#

•   Statistiques et probabilités (distribution, estimation, intervalles de confiance)
•   Modélisation (biais/variance, régularisation, validation)
•   Modélisation des données (DGP) (génération des données, dépendances temporelles)

⏱️ Time Series

#

•   Fondamentaux (stationnarité, autocorrélation, décomposition)
•   Modèles classiques (AR / MA / ARMA / ARIMA)
•   Feature engineering temporel (lags, rolling stats)
•   Validation et pièges (time-based CV, data leakage)
•   Avancé / Moderne (multivariate time series, hierarchical forecasting)
•   Probabilistic forecasting (quantiles, prédiction de distribution)

🔬 Causal Inference

#

•   Bases (corrélation, causalité, DAGs, variables confondantes)
•   Méthodes fondamentales (A/B testing, matching)
•   Méthodes avancées (Diff-in-Diff, instrumental variables, causal forests
•   Données observationnelles (identification strategy, hypothèses, robustesse)
•   Interprétation business (explicabilité, transformation)
•   Identification (définitions, hypothèses clés, biais, tests)
•   Causalité longitudinale (time-variying confounders, g-methods)
•   Outils pratiques (DoWhy, EconML, grf, causalml)

🔗 Le pont Time Series × Causal

#

•   Causalité dans le temps (causal impact, intervention analysis)
•   Évaluation d’actions dans le temps (effet d’une promo, changement de prix)
•   Forecast + décision (intégration scénarios, simulation politiques)
•   Contrefactuel (“what-if”, uplift modeling, policy evaluation)

⚙️ Industrialisation & Fiabilité

#

•   Pipelines temporels (feature pipelines, gestion du temps, batch vs stream)
•   Backtesting et validation robuste (rolling windows, stabilité des performances, baseline)
•   Production et monitoring (retraining, drift, suivi des performances)
•   Scalabilité et performance (gros volume temporels, optimisation du temps de calcul)
•   Versioning et reproductibilité (modèles, dataset, expériences)
•   Communication et décision (dashboards orientés décision, storytelling)