实用型因果推断方法在互联网中的实践

为什么需要因果推断

• Insight vs Science：Insight 是对现象的深入理解和领悟，而 Science 是基于实证和逻辑推理的知识体系。仅靠 Insight 和 AB-test 存在问题，因为相关性不等于因果性。
• 新用户留存分析：如何提升小红书新用户的留存率？仅靠 Insight 和 AB-test 无法确定因果关系，例如访问美妆与留存率的相关性是否由美妆作品提升用户留存率导致。
• 预测 vs 决策：预测关注相关性，而决策关注因果性。平均处理效应（ATE）和异质性处理效应（HTE）是因果推断的关键概念。

解决因果问题的科学框架\流派

• ** Judea Pearl**：计算机科学家，提出 Causal Graph Model、Backdoor Criterion、Frontdoor Criterion、Do-calculus、Pearl Causal Hierarchy（关联、干预、反事实）。
• Donald B. Rubin：统计学家，提出 Potential Outcome Model、Rubin Causal Model、IPW、AB-test。
• 计算机科学：Causal Graph Model、DAG 用于分析 X、Y 的因果关系，Do-Calculus 用于推导因果效应。
• 计量经济学：Select Bias、Double Machine Learning 用于处理选择性偏误。
• 统计学：Potential Outcome Model 用于互联网因果推断建模。

因果推断如何驱动业务改善

• 实践1：提升小红书新用户留存率
  • 问题：如何提升小红书新用户的留存率？
  • 方法：通过矩阵分析不同内容对用户活跃提升的贡献，控制人群和内容的聚合粒度，得到不同的干预策略。
  • 结果：项目一期使 17d 新用户群体获得显著收益，项目二期使占比 DAU 10% 的人群获得显著收益。
• 实践2：促进用户发布作品
  • 问题：如何促进用户发布作品？
  • 方法：应用因果推断方法分析用户行为，制定针对性策略。

总结

"All models are wrong, some are useful." -- George Box