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：因果推断是一门研究如何科学识别变量之间因果关系的学科。因果关系是指一个事件的出现导致、产生或决定了另一个事件的出现。
• 因果性与相关性的区别：因果关系只是相关关系中的一种，相关性可能源于因果关系、混淆或样本选择偏差。
• 混淆（confounding）：经典场景如辛普森悖论展示了混淆变量如何影响结论。
• 样本选择偏差（selection bias）：如教育程度和年龄大小的相关性可能受到其他因素的影响。

因果推断可以解决的两类问题

1. 因果关系挖掘（Causal Discovery）：通过构建变量间的因果关系图来发现因果关系。
2. 因果效应估计（Causal Effect Estimation）：量化原因对结果的影响程度，包括ITE（个体治疗效应）、ATE（平均治疗效应）和CATE（条件平均治疗效应）。

因果效应估计的常见手段

• 匹配法
• 双重差分法
• 合成控制法
• Uplift Modeling

因果推断在智能决策中的应用

场景一：评估新功能的效果

• 方法：A/B Test和双重差分法。
• 步骤：
  • 第一次差分D1：计算弹窗上线前Treat组和Control组的差值。
  • 第二次差分D2：计算弹窗上线后Treat组和Control组的差值。
  • ATE = D2 - D1。
• 前提：平行趋势假设、个体处理稳定性假设、线性关系假设。

场景二：提升金融类产品营销转化

• 方法：构建响应模型和增量模型（Uplift Model）。
• Uplift Model：
  • 定义：增量模型，用于预测/估计某种干预对个体状态/行为的因果效应。
  • 表达式：[ \Delta(\mathbf{L}i) = E(N{iab}|\mathbf{L}i=\mathbf{x}, T=1) - E(N{iab}|\mathbf{L}_i=\mathbf{x}, T=0) ]
  • 实验机制：A/B Test。
  • 建模流程：样本准备、S-Learner模型、特征筛选、模型评估。
• 优点：支持多Treatment，可直接应用机器学习模型。
• 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

• 优先考虑A/B Test：在条件允许的情况下，优先采用A/B Test进行评估。
• Uplift Model的应用：Uplift Model的效果取决于可uplift的空间大小和模型的准确性。