基于因果推断的商家经营智能诊断实践

生意参谋商家经营智能诊断

因果推断简介

• 因果关系：干预变量的变化导致目标变量的取值或分布变化。
• 金标准：随机对照试验。
• 常用方法：
  • 潜在结果模型：由 Donald B. Rubin 提出，适用于已知原因和结果变量的情况。
  • 因果网络模型：由 Judea Pearl 提出，用于识别因果关系及其方向。

混合因果网络发现新技术-HCM

• 主要挑战：
  • 混合数据类型：现实场景中的数据类型多样。
  • 大规模因果发现：变量维度高，样本规模大。
• 新技术：
  • 混合因果网络：结合因果贝叶斯网络和结构方程模型。
  • 混合推理算法 HCMSkeleton：通过 PC-stable 和 MRCI 方法学习骨架结构。
  • 因果 DAG 结构学习：使用贪婪搜索和 CVMIC 方法。
  • 特征选择：基于 MRCI 的条件独立性检验。
  • 模型训练：采用 K-fold 交叉验证损失函数和正则化。

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
• 现有技术问题：
  • 基于相关性的归因技术存在定位伪因的问题。
  • 近年提出的因果与 Shapley 结合的技术，能够定位深层次原因。
• 新模型：
  • 基于 RobustSTL 的异常检测：识别目标和因子的显著波动。
  • 因果网络技术：识别正确的因果顺序。
  • Multi-ATE 估计：基于因果顺序，估计干预变量对目标的影响。

产品效果

• 周度活跃商家：100万+
• 日度活跃商家：10~20万+
• 策略采纳：测试数据表现良好。

感谢大家！