基于因果推断的商家经营智能诊断实践

因果推断在商家经营智能诊断中的应用

因果推断简介

• 因果关系定义：指干预控制变量导致目标变量的取值或分布发生变化，与相关关系不同，因果关系强调干预的因果作用。
• Golden Metric：随机对照试验是因果推断的理想方法，但在实际中多采用观察性研究。
• 基础研究：
  • 潜在结果模型：通过数学公式定量评价原因变量对结果变量的因果作用（代表人物：Donald B. Rubin）。
  • 因果网络模型：描述数据产生机制和外部干预，可识别因果关系方向并定量评价（代表人物：Judea Pearl）。
• 延申研究：包括因果效应、因果网络、混合变量、因果归因、因果 bandit 等多个方向。

生意参谋商家经营智能诊断

• 项目目标：围绕电商经营全链路，帮助商家完成一站式分析、决策和行动优化，支持经营状态监测、问题诊断归因及解决方案的全链路智能服务。

智能诊断关键技术节选

混合因果网络发现新技术--HCM

• 主要挑战：
  • 混合数据类型：现实场景数据多为混合类型，现有方法多假设单一数据类型或做线性假设。
  • 大规模因果发现（CD）：变量维度高、样本规模大。
• 提出的技术：
  • 混合因果贝叶斯网络结构方程模型，支持离散和连续变量。
  • 逻辑推理方法结合深度学习（DNN/RL）。
  • 核心算法：
    • Skeleton learning via PC-stable and MRCIT。
    • Causal DAG structure learning via greedy search and CVMIC。
    • Pruning via MRCIT（支持混合变量、非线性，基于随机傅里叶特征优化）。
    • 混合信息范式 CVMIC 指导 DAG 发现，K-fold 交叉验证保障精度和时效性。
• 实验结果：在仿真数据和真实数据上均表现良好。

基于因果的深度归因技术

• 常见归因场景：
  • 波动归因：拆解归因、深度归因。
  • 异常点归因：故障诊断/运维。
  • 多触点归因：渠道归因、广告归因。
• 现有技术问题：
  • 基于相关性的归因技术易将果当因，只能定位表层原因。
  • 融合 causality 和 shapley 的归因技术虽能定位深层原因，但计算复杂。
• 深度归因新模型：
  • 基于 RobustSTL 等异常算法识别目标、因子显著波动。
  • 利用因果网络技术识别正确的因果顺序。
  • 提出 Multi-ATE 估计技术，基于因果顺序估计干预变量波动对目标的影响。
  • 计算各因子的 Multi-ATE 效果，评估其对目标波动的贡献度。
  • 因果顺序示例：<到货周期、差评数、老客CVR、新客CVR、CVR、UV、客单、GMV>。

产品效果

• 活跃商家：周度 100W+，日度 10~20W。
• 策略采纳：测试数据显示策略采纳效果显著。