用因果图模型破解业务增长密码

📚 共计 30 章节

增长困局：为什么你的A/B测试总失败？

从相关性到因果性的思维转变

思维转变实验困局

因果图基础：DAG（有向无环图）

业务增长的底层逻辑图

DAG核心概念

节点与边：如何用变量和箭头描述你的业务系统？

构建因果图的基本元素

建模系统思维

混淆变量：那个让你误判增长策略的「隐形杀手」

识别并控制混淆偏差

对撞偏差：为什么「用户满意度高」的产品反而流失了？

对撞结构带来的反直觉陷阱

对撞选择偏差

中介变量：拆解「广告投放→用户增长」的黑箱

中介效应与路径分析

前门调整与后门调整：两种最核心的因果效应识别策略

识别调整的核心方法

前门后门调整

do-operator：模拟「上帝之手」干预你的业务指标

干预与do演算

反事实推理：如果当初没做这个活动，用户会怎样？

反事实与归因

反事实推断

工具变量：用「自然实验」破解内生性难题

IV方法与应用场景

工具变量内生性

辛普森悖论：数据汇总时，你的结论可能完全相反

分组与汇总的陷阱

辛普森悖论

因果效应估计：从ATE到CATE，找到最该被影响的用户群

异质性处理效应

ATECATE异质性

线性因果模型：用结构方程量化你的增长杠杆

SEM与路径系数

结构方程量化

非线性因果：当「更多投入」不再带来「更多产出」

边际效应与阈值

非线性饱和

因果发现：从数据中自动「学习」业务因果图

数据驱动的因果结构学习

因果发现自动化

PC算法：用条件独立性测试还原业务真相

基于约束的发现算法

PC算法条件独立

基于分数的搜索：让算法帮你画出最优增长路径

评分搜索与BIC

因果森林：个性化推荐增长策略的利器

异质性处理效应与树模型

因果森林个性化

元学习器：S-Learner、T-Learner、X-Learner实战对比

Meta-Learner家族

增量模型：Uplift Modeling——只给「会动的人」推送优惠券

增量响应与 uplift

多臂老虎机：在探索与利用中动态优化增长策略

Bandit算法与自适应

MAB探索利用

因果强化学习：让AI学会「做对的事」驱动增长

因果+强化学习

归因分析：告别「最后点击」，用因果图做多渠道归因

因果归因与Shapley

归因多渠道

用户生命周期价值（LTV）预测：因果视角下的长期增长

LTV与因果结构

产品功能留存分析：用因果图判断「这个功能该不该砍」

功能留存与因果推断

留存功能决策

定价策略优化：因果推断帮你找到「利润最大化」的价格点

价格弹性与因果

内容推荐系统：打破信息茧房的因果解法

推荐去偏与因果

推荐信息茧房

增长实验设计：如何用因果图提升A/B测试的统计功效？

实验设计与功效

实验统计功效

因果推断工程化：从Jupyter Notebook到生产级Pipeline

工程落地与MLOps

工程化Pipeline

增长飞轮：构建数据驱动的因果增长中台

中台架构与飞轮效应