Chez Netflix, l'inférence causale est essentielle pour la prise de décision et l'amélioration de l'expérience des membres. Le sommet annuel sur l'inférence causale et l'expérimentation réunit des experts pour partager les développements méthodologiques et les applications innovantes.L'un des exposés a porté sur le développement d'une approche plus rapide et automatisée pour estimer l'impact annuel à partir de tests A/B, en abordant les défis liés aux périodes de facturation non observées et aux cohortes d'inscription non observées.Un autre exposé a présenté un cadre systématique pour évaluer les événements de jeu en utilisant des modèles de contrôle synthétique, en gérant les données limitées et les scénarios d'intervention où les tests A/B sont impraticables.La double machine learning a été appliquée pour comparer l'importance de différents métriques dans les tests A/B, en abordant les biais potentiels lorsque les effets de traitement sont hétérogènes.Les tests A/B de sondages avec biais de non-réponse hétérogène ont été analysés en utilisant les effets de traitement moyens conditionnels, les scores de propension et l'ajustement proportionnel itératif pour garantir une représentation précise des opinions des membres.La conception a été mise en avant comme partie intégrante de l'inférence causale chez Netflix, avec un focus sur l'optimisation des interfaces utilisateur et la présentation des données pour faciliter la prise de décision par l'expérimentation.