Lyft에서는 A/B 테스트를 수행하기 어려운 상황에서도 인과적 영향을 측정하기 위해 quasi-experimental 방법을 사용하고 있어요. 특히 Augmented Inverse Propensity Weighting (AIPW) 모델을 활용하여, 파트너십이나 장기적 효과와 같이 무작위 배정이 불가능한 시나리오에서 데이터의 편향을 줄이고 정확한 효과를 추정하는 방법을 설명하고 있습니다. 또한, 모델의 신뢰성을 확보하기 위해 Confounder Management와 Diagnostic Scorecard를 통해 검증 과정을 거치며, propensity trimming이나 hidden confounders로 인해 발생할 수 있는 오차를 어떻게 관리하는지에 대한 Lyft의 기술적 접근 방식을 자세히 다루고 있습니다.