反事实最优行动树（COAT）：从观测数据中学习可解释的规范性策略
Counterfactual Optimal Action Trees (COAT): Interpretable Prescriptive Policies from Observational Data
- IBM Research（IBM研究院）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
研究从观测数据学习可解释规范性策略的问题，核心方法是结合反事实结果估计与大规模混合整数优化的COAT框架，主要贡献是应用于航空公司辅助定价提升收入，推动扩大采用及相关决策举措。
AI中文摘要：
我们引入了反事实最优行动树（COAT），这是一个从观测数据中学习可解释规范性策略的框架。COAT将反事实结果估计与大规模混合整数优化相结合，利用列生成将因果预测转化为在业务和监管约束下可行、透明的决策。我们将COAT应用于航空公司辅助定价，该场景具有复杂业务规则和有限实验灵活性。在与一家全球主要航空公司进行的为期17周的实地试点中，COAT使每次预订的追加销售收入提高了6.9%，该航空公司预计在符合条件的国内市场每年将增加5000万至1.5亿美元的高端座位收入。试点的成功促使其扩大采用，并为该组织内更广泛的人工智能驱动决策举措提供了参考。
英文摘要：
We introduce COAT (Counterfactual Optimal Action Tree), a framework for learning interpretable prescriptive policies from observational data. COAT combines counterfactual outcome estimation with large-scale mixed-integer optimization, using column generation to translate causal predictions into feasible, transparent decisions under business and regulatory constraints. We apply COAT to airline ancillary pricing, a setting characterized by complex business rules and limited experimental flexibility. In a 17-week field pilot with a major global airline, COAT increased upsell revenue per booking by 6.9%, with the airline projecting \$50-\$150 million in incremental annual premium seat revenue across eligible domestic markets. The success of the pilot led to scaled adoption and informed broader AI-driven decision initiatives within the organization.
