01因果推断的典型场景
经济学原理表明人们会对激励做出反应，这一原理在金融用户运营中具有广泛应用场景，如程序化广告获客、电销业务优化、用户会员体系提升等。这些场景的核心问题都是“what if”，即如何评估运营动作的效果，而因果推断是解决此类问题的有力工具。
02因果推断面临的挑战
- 数据挑战：转化周期长（如触达3天、活动7天，转化周期达30天）、关键特征未发现（存在未掌握的混杂因素confounders）、随机样本稀少、多种干预叠加（如生日特权、周年庆等）、成熟体系中无偏数据少。
- 业务挑战：运营策略创新快（从积分兑换转向游戏化、社交化）、市场竞争激烈，营销方式从传统触达到新方式（push、公众号等），需建立基于PSM（倾向性得分匹配）的因果样本库应对。
- 因果样本库构建：
- PS阶段：计算倾向性得分（如P(T=1|X=x)），但需解决多种触达方式是否等效、全链路节点选择等问题。
- Matching阶段：通过分桶匹配、阈值设定、样本评估等方法选择合适样本对，需参考腾讯游戏的分布式低复杂度PSM等技术方案。
- 流程：包括PS模型训练、样本选取、干预映射、样本加权、存储监控及模型训练等环节。
03因果推断业务实践
- 常见问题：如何评估福利发放的“反作用”（sleeping dogs）、离线指标上线阈值、用户体验影响等。
- 实验方案：通过实验分组（如40%测试组 vs 40%随机组）评估业务效果，包括delta业务效果、增益上限、反作用评估，并积累样本数据优化模型。
- 混杂因素（confounders）：需融合业务系统数据（如核心策略、旅程策略、新用户策略）减少交叉影响，通过特征工程融入其他策略响应模型。
- 技术框架：涵盖广告投放、活跃授信、运营转化、老带新等全链路赋能，目标为降低注册成本、提升次留、授信人数、ROI及用户增长。
