因果推断在腾讯 PCG 中台的落地实践

总结

1. 因果推断的方法论

• 结构因果模型（SCM）：以因果图形式展现变量间的关系，适用于变量较少的情况，结果置信度高。优点是能够明确展示因果关系，但构建复杂。
• 潜在结果框架（POF）：关注因果效应的评估，通过计算倾向性得分、匹配、逆概率加权等方法降低分析复杂度。适用于变量较多的情况，但缺乏系统论证变量间的因果关系。

2. 数据挖掘建模流程

• 数据挖掘流程工具（DMFlow）：规范模型开发流程，配置化基础能力，沉淀增长场景的方法论，支持多种机器学习模型（如S-Learner、T-Learner、X-Learner），适用于多维特征场景。
• 特征挖掘：通过众包方式提高效率，快速部署。
• 模型开发：支持多种算法和超参数调整，便于不同角色（如产品运营、数据分析师、算法工程师）使用。

3. 分布式多元因果森林体会

• DMCF：分布式多元因果森林算法，支持大规模数据集下的高效训练、评估和预测。
• 分裂方法：包括二元因果森林和多元因果森林，采用多种分裂依据（如皮尔逊相关系数、余弦距离）。
• 性能优化：通过一次数据遍历、动态规划累加等方式减少冗余计算，提高性能。

4. 正确的增长价值观与中台思维

• 正确的增长价值观：重视实验与数据驱动，关注长期价值而非短期效应。
• 中台思维：通过中台化工具和服务，解决跨业务场景的共性问题，提升整体效率和灵活性。

非常感谢您的观看。