2. 因果图基础：DAG（有向无环图）——业务增长的底层逻辑图

说实话，很多人一听到「因果图」就觉得头大。觉得这是统计学博士才玩的东西。

但我告诉你，DAG 没那么玄乎。它本质上就是一张「谁影响了谁」的关系图。我当年在电商平台做增长时，团队天天吵「到底是推送带来了转化，还是转化高的用户本来就更活跃？」——吵了三个月，最后一张 DAG 图就把问题说清楚了。

2.1 什么是 DAG？三个关键词拆解

DAG 全称是 Directed Acyclic Graph，翻译过来就是「有向无环图」。我们拆开看：

• 有向（Directed）：每条边都有箭头，表示因果方向。A → B 表示 A 导致 B。
• 无环（Acyclic）：你不能顺着箭头走一圈又回到起点。A → B → C，但 C 不能 → A。
• 图（Graph）：由节点（变量）和边（关系）组成。

我个人习惯把 DAG 叫做「业务增长的底层逻辑图」。为什么？因为任何增长策略，本质上都是在干预某个节点，然后观察下游节点的变化。如果你连这张图都画不清楚，那你的 AB 测试就是在瞎打。

2.2 为什么增长团队必须用 DAG？

我见过太多增长团队踩坑了。举个例子：

某教育 App 想提升「完课率」。运营同学发现「推送提醒」和「完课率」正相关，于是加大推送频率。结果完课率反而下降了。

为什么会这样？

因为「推送提醒」和「完课率」之间，存在一个隐藏变量——「用户疲劳度」。推送越多，用户越烦，反而更不愿意打开 App。这就是典型的「混杂偏倚」。

如果用 DAG 来建模，你会这样画：

推送频率 → 用户疲劳度 → 打开率 → 完课率
     ↑___________________________|

看到没？箭头方向一旦画对，问题就暴露了。推送频率和完课率之间，根本没有直接的因果路径。你看到的「相关性」完全是假象。

2.3 DAG 的三种基本结构

要理解 DAG，你只需要掌握三种基本结构。我把它们叫做「因果三原色」：

结构名称	图示	含义	业务案例
链式（Chain）	A → B → C	A 通过 B 影响 C	广告曝光 → 点击 → 购买
叉式（Fork）	A ← B → C	B 是 A 和 C 的共同原因	用户活跃度 → 推送打开 & 购买
对撞式（Collider）	A → B ← C	A 和 C 共同影响 B	产品质量 & 营销投入 → 用户满意度

2.4 如何用 DAG 指导增长实验？

画 DAG 不是目的，用它来指导实验才是。我总结了一个四步法：

1. 列出所有相关变量：包括干预变量、结果变量、以及所有可能的中介变量和混杂变量。
2. 画出因果假设：用箭头连接你认为有因果关系的变量。记住，箭头代表「你认为 X 会导致 Y」。
3. 识别混杂路径：找到那些「非因果路径」——比如叉式结构中的共同原因。这些就是你需要控制的变量。
4. 设计实验方案：根据 DAG 决定「需要随机化什么」「需要控制什么」「需要测量什么」。

举个例子。假设你想验证「增加推荐算法权重能否提升用户留存」：

推荐算法权重 → 推荐内容质量 → 用户满意度 → 留存
       ↑                            ↑
       |____________________________|
            （这里存在反馈回路，需要处理）

嗯，这里要注意。推荐算法和用户满意度之间可能存在双向影响。这时候你需要用「工具变量」或者「断点回归」来处理。不过那是后面章节的内容了。

2.5 一张图看懂 DAG 在增长中的位置

下面这张 SVG 图，是我自己总结的「增长因果决策框架」。它展示了 DAG 在整个增长实验流程中的核心位置：

2.6 常见误区与避坑

最后，分享几个我踩过的坑：

• 误区一：把相关性当因果——我见过最离谱的，是有人发现「冰淇淋销量」和「溺水人数」正相关，于是建议夏天少卖冰淇淋。你想想看，这背后的混杂变量是什么？是「气温」啊。
• 误区二：忽略反向因果——比如「用户满意度高 → 留存高」，但反过来「留存高的用户 → 满意度也高」也是成立的。DAG 里箭头方向一旦画反，整个分析就废了。
• 误区三：过度简化——有些同学画 DAG 只画三个节点。但真实业务中，混杂变量可能有十几个。我建议你至少列出 8-10 个变量，然后再逐步精简。

好了，这一章就到这里。记住，下次做增长实验前，先花 30 分钟画一张 DAG。你会发现，很多之前想不明白的问题，一下子就清晰了。

---