因果推断在腾讯视频增长业务的应用

因果推断在腾讯视频增长业务的应用

一、业务场景落地

Uplift 增益模型

• 目的：加强用户理解，识别用户对策略的净提升效应（HTE），优化策略收益。
• 方法对比：
  • 常用Meta Learner：S-learner（One-Model）、T-learner（Two-Model）、X-learner（基于T-learner的反事实推断）。
  • 基于深度学习的模型：DragonNet（多任务方法，共享底层表征）。
• 模型效果评估：由于缺乏反事实结果，无法使用RMSE等传统指标，常用Uplift分位图和Qini曲线进行评估。
• 应用案例：
  1. 广告投放拉活：以广告曝光为干预（Treatment），端内播放为结果（Outcome），通过Uplift模型识别受广告曝光影响而增加播放转化的用户，选择Top 30%用户投放，播放转化率相对提升0.028pp，改善投放ROI。
  2. 内部流量位运营：以资源位触达为干预，平台次留为结果，通过Uplift模型识别被资源位触达对次留产生负向影响的用户，屏蔽Top 5%用户触达资源位，平台次留相对差异改善0.11pp，负向影响不显著。
  3. PUSH下发减条数：以减少PUSH下发条数为干预，是否点击PUSH为结果，通过Uplift模型识别减少下发条数对点击率无显著负面影响（Uplift值排序前90%）的用户进行减发，屏蔽Top 10%用户，UTR负向影响相对改善5.58pp。
  4. 限免券下发策略：以活动曝光为干预，会员付费和播放时长为双重结果，通过构建融合两个目标的Uplift模型，屏蔽Top 20%用户下发限免券，会员收入负向影响相对改善3.63pp，播放时长小幅提升0.09pp。

PSM 用户匹配

• 目的：作为AB实验的补充工具，在无法进行实验或实验效果不佳时，进行增量评估，评价策略效果。
• 方法论：
  • 准入逻辑：强调科学实验优先，检查实验质量，并进行PSM前置检查（关注科学性、数据质量、模型选择、特征选择、匹配方法等）。
  • 步骤：业务问题定义 -> 因果效应推断 -> 依照漏斗拆解选定比较两组 -> 敏感性测试 -> 平衡性检查 -> 倾向性得分匹配 -> 计算增量评估与显著性。
  • 敏感性测试：为满足因果可识别性假设，通过增加无关变量、随机抽样等方法确认估计结果的稳健性。
• 应用案例：
  1. 运营商一分钱开会员活动：通过PSM评估不同资源位触达流失高价值用户的平台活跃收益及ROI，结果显示挂件和气泡触达均有正向显著效果。
  2. 激励广告解锁付费剧集：通过PSM评估“新热观影券”策略对成功用券用户的影响，结果显示专辑播放时长相对提升42.26%，正向且显著。
  3. 活动下发小天数卡效果评估：通过PSM评估单一奖品（小天数卡）对活动的增量价值，结果显示平台活跃LT相对提升40%，广告收入提升49%，会员收入提升33%。
  4. 福利中心效果评估：通过PSM评估福利中心活动的增量效果，结果显示人均活跃LT提升11%，广告收入相对提升57%，会员收入相对提升12%。

二、技术创新探索

• 背景：现有因果推断工具（如CausalML/DoWhy/MatchIt）仅限于单机性能，无法处理海量样本。
• 解决方案：自研分布式PySpark版本——SparkCausalML，用于进行大规模因果推断。
• 功能：可直接应用于实验数据推断，也可对观测数据进行matching后推断。
• 应用：SparkCausalML已在腾讯内部开源，增长侧因果推断任务均使用此包例行调度，并积极推进外部开源。