Explicações Causais Resumidas Para Visões Agregadas

Consultas SQL com agrupamento e média são frequentemente usadas e plotadas como gráficos de barras em várias aplicações de análise de dados. Compreender as razões por trás dos resultados em uma visão agregada pode ser uma tarefa altamente não trivial e demorada, especialmente para grandes conjuntos de dados com múltiplos atributos. Portanto, gerar explicações automatizadas para visões agregadas pode permitir que os usuários obtenham melhores insights sobre os resultados enquanto economizam tempo na análise de dados. Ao fornecer explicações para tais visões, é fundamental garantir que elas sejam sucintas, mas abrangentes, revelem diferentes tipos de insights que se aplicam a diferentes respostas agregadas na visão e, mais importante, reflitam a realidade e preparem os usuários para tomar decisões informadas baseadas em dados, ou seja, as explicações não consideram apenas correlações, mas são causais. Neste artigo, apresentamos o CauSumX, uma estrutura para gerar explicações causais resumidas para toda a visão agregada. Usando o conhecimento de fundo capturado em um DAG causal, o CauSumX encontra os tratamentos causais mais eficazes para diferentes grupos na visão. Definimos formalmente a estrutura e o problema de otimização, estudamos sua complexidade e desenvolvemos um algoritmo eficiente usando o algoritmo Apriori, arredondamento LP e várias otimizações. Demonstramos experimentalmente que nosso sistema gera explicações causais resumidas úteis em comparação com trabalhos anteriores e se escala bem para grandes dados de alta dimensão.