因果推断在翼支付智能决策中的探索实践

因果推断在翼支付智能决策中的探索实践

什么是因果推断？

• 定义：因果推断是研究如何科学识别变量之间因果关系的一门科学，旨在区分相关性（包括因果、混淆、样本选择偏差）与因果关系。
• 混淆（confounding）：指在多分组讨论中得出与合并讨论相反结论的现象，由混淆变量引起，如辛普森悖论。
• 样本选择偏差（selection bias）：指样本选择过程导致的偏差，如不同治疗手段的样本群体存在差异。
• 因果推断解决的问题：
  • 因果关系挖掘（Causal Discovery）：构建变量间的因果关系图。
  • 因果效应估计（Causal Effect Estimation）：量化原因对结果的影响，如个体治疗效应（ITE）、平均治疗效应（ATE）、条件平均治疗效应（CATE）。
• 常见方法：匹配法、双重差分法、合成控制、Uplift Modeling等。

因果推断在智能决策中的探索

场景一：评估新上线功能的效果价值

• 问题：如何判断某弹窗对金融产品转化提升的帮助程度。
• 方法：
  • A/B Test：在情况允许时优先采用。
  • 双重差分法：在热门资源位频繁A/B Test成本过高时使用。
    • 计算步骤：第一次差分（D1）为上线前Treat组和Control组的差值，第二次差分（D2）为上线后差值，ATE = D2 - D1。
    • 假设条件：平行趋势假设、个体处理稳定性假设、线性关系假设。

场景二：在资源有限的条件下提升金融产品营销转化

• 问题：如何以有限成本召回用户访问/转化。
• 方法：
  • Approach 1：构建Response Model
    • 问题：未评价ITE，仅适用单个Treatment。
  • Approach 2：构建Uplift Model
    • 定义：预测干预对个体状态的因果效应（ITE）。
    • 模型：S-Learner模型，支持多Treatment。
    • 效果：较Response Model提升约20%。
  • Approach 3：Class Transformation Method
    • 优点：可直接对uplift建模，适用机器学习模型。
    • 缺点：有假设前提，仅适用于单个Treatment。

关于因果推断的一些思考

• A/B Test优先：在互联网场景下，随机对照实验可行性高且结果可解释性强。
• Uplift Model效果：不一定会优于Response Model，取决于场景的uplift空间和模型准确度。