1. 因果推断入门：为什么电商运营需要因果推断？从相关关系到因果关系的跨越。
大家好，我是老张。在电商数据这行摸爬滚打了十来年，今天咱们聊聊一个绕不开的话题——因果推断。
你可能觉得，数据分析嘛，不就是看报表、找规律？嗯，对了一半。但真正让运营决策产生质变的，是搞清楚「为什么」。说白了，就是从「我看到A和B有关系」到「我知道是A导致了B」的跨越。
1.1 相关关系 vs 因果关系：一个真实的坑
先讲个我自己的经历。几年前我负责一个美妆品牌的运营。当时我们发现一个现象：用户浏览商品详情页的次数，和最终下单率高度正相关。相关系数0.85，漂亮吧？
于是团队立刻拍板：加大详情页的曝光，让更多人看！结果呢？花了上百万广告费，转化率纹丝不动。
为什么会这样？
因为「浏览详情页」和「下单」之间，其实是选择偏差在作祟。真正想买的人，本来就会反复看详情页。你强行把详情页塞给不感兴趣的人，人家根本不会多看两眼。
这就是典型的相关关系≠因果关系。
核心区别一句话：
- 相关关系：A和B一起变化，但不知道谁影响谁，或者背后有第三个因素C在捣鬼。
- 因果关系：改变A，B就会跟着变。这是可以做决策的。
1.2 电商运营中，为什么非要用因果推断？
你想想看，电商运营每天在做什么？
- 要不要发这张优惠券？
- 这个banner该不该换？
- 推荐算法调个参数，转化能涨多少？
这些问题，本质上都是反事实推断——「如果我不这么做，结果会怎样？」
我习惯把电商运营的决策分成三类：
| 决策类型 | 例子 | 需要因果推断吗？ |
|---|---|---|
| 描述性分析 | 上周销售额是多少？ | 不需要 |
| 诊断性分析 | 为什么上周销售额下降了？ | 需要（找原因） |
| 预测性+决策性 | 如果降价10%，销售额会涨多少？ | 必须需要 |
你看，真正值钱的决策，都在第三类。而因果推断，就是帮你回答「如果...会怎样」这个问题的唯一靠谱方法。
1.3 因果推断的核心框架：从「观察」到「干预」
我个人习惯把因果推断拆成三步走：
- 定义问题：明确你想知道的因果效应是什么。比如「发10元券对复购率的影响」。
- 识别因果结构：用有向无环图（DAG）画出变量之间的关系。这一步特别重要，我后面会专门讲。
- 估计效应：用匹配、双重差分、工具变量等方法，算出因果效应的大小。
下面这张图，是我自己总结的电商因果推断知识体系，你可以先有个整体印象：
1.4 一个电商场景的因果推断实战案例
咱们拿「发优惠券是否提升复购」这个经典问题来走一遍流程。
第一步：画因果图
我建议你养成习惯，任何分析之前先画个简单的DAG。比如：
- 处理变量（T）：是否收到10元券
- 结果变量（Y）：30天内是否复购
- 混淆变量（X）：用户历史消费金额、上次购买时间、活跃度等
为什么历史消费金额是混淆变量？因为高消费用户本身复购率就高，而且平台也更倾向于给他们发券。如果不控制，你会高估券的效果。
我曾经踩过的坑：有一次做A/B测试，对照组和实验组样本量都很大，结果发现券的效果是负的。后来一查，原来实验组里新用户比例特别高——新用户本来复购率就低。这就是典型的选择偏差，没做随机化或者没控制好分层。
第二步：选择识别策略
最理想的情况是随机实验（A/B测试）。但现实中，很多时候我们只有观测数据。这时候我常用的方法是倾向得分匹配（PSM）。
简单说，就是给每个收到券的用户，找一个没收到券但「长得像」的用户（历史行为相似），然后比较他们的复购率差异。
第三步：估计效应
假设我们匹配完之后，得到这样的结果：
| 组别 | 样本量 | 复购率 | 差异 |
|---|---|---|---|
| 收到券（处理组） | 5000 | 12.3% | +2.1% |
| 未收到券（对照组） | 5000 | 10.2% |
这个2.1%就是平均处理效应（ATE）。注意，这是匹配之后的结果，比直接比较原始数据要靠谱得多。
一个小技巧：我习惯在匹配之后，先做一个「平衡性检验」——看看匹配后的两组在混淆变量上还有没有显著差异。如果还有，说明匹配没做好，需要调整模型。
1.5 因果推断的「三要三不要」
最后，分享一点个人经验总结：
三要：
- 要画因果图——哪怕只是草稿，也能帮你理清思路
- 要怀疑「相关」——看到高相关，先问一句「有没有第三个变量？」
- 要验证假设——用敏感性分析检查你的结论是否稳健
三不要：
- 不要迷信A/B测试——实验也有局限性（比如霍桑效应、 spillover effect）
- 不要忽略业务逻辑——因果推断不是纯数学游戏，不懂业务会做出荒谬结论
- 不要过度解读——因果效应是「平均」概念，不代表每个用户都这样
嗯，这一章就到这里。因果推断入门，说白了就是让你学会问「如果...会怎样」，并且用科学的方法回答它。后面的章节，咱们会深入每个具体方法，到时候再细聊。