7.3 科技与商业
7.3 科技与商业：从实验文化到 uplift 决策
本节摘要：科技公司手握实验基础设施，难点反而移到了干扰、长期效应与策略优化。本节复盘一个 uplift 营销的完整决策链路、平台实验的 SUTVA 冲击与修正、观察数据与实验数据互补的混合学习，以及定价与库存等定价类应用中的识别要点。
一张优惠券的完整因果决策链
把第 5.1 节的 uplift 建模放进真实运营，完整链路长这样。
背景：某电商平台月度促销预算固定，历史上按"流失风险模型"发券——风险越高越发。模型 AUC 不错，但转化率连年下滑。
重构问题：发券目标是增量转化（persuadables），不是挽留概率。流失风险模型给"最可能流失的人"发券，其中大量是 sure things（券不券都买）与 sleeping dogs（被券打扰反而困惑），预算大量空转。目标量应换成 uplift：券对转化的个体提升。
操作：先做一次随机触达实验（不做定位，随机发 5% 用户）拿训练数据；用因果森林训练 uplift 分数（第 5.1 节范式三）；按分数十分位分桶，再做一轮分桶随机实验验证单调性——低分桶实测增量接近零甚至为负，高分桶增量数倍于均值。
结果：同样预算下，券后 30 日增量 GMV 提升（典型量级：分桶策略相对风险模型的增量翻倍）；同时停止了对最末两桶（实测增量为负）的触达，骚扰投诉下降。
解读与变式：这个案例的关键不是因果森林多强，而是决策目标被正确翻译成了因果量。变式三问：预算变化时应重估分数阈值还是重训模型（答：预算约束变化影响最优分位点，模型无需重训）；券有差异化面额时升级为连续处理（第 5.3 节剂量反应曲线）；用户间有传播（拼团分享）时按第 5.2 节做市场级实验复核直接效应与溢出之和。
平台实验：SUTVA 的正面战场
科技公司最深的因果难题几乎都是第 5.2 节的干扰。三个高频形态与对应工程：双边市场（司机补贴同时影响乘客等待时间与对手平台定价）——以城市为实验单元做 switchback；广告挤占（投流抢的是站内自然流量位）——用 holdout 市场校准增量而非看投放后台的归因转化；社交传播（内容曝光跨用户外溢）——按社交图聚类切片。共同教训：当实验单元小于干扰半径时，仪表盘上的提升是幻觉的开始，且方向都偏向高估。
长期效应是另一根软肋：两周实验测的是短期响应，而推荐算法改版的价值在留存曲线的尾部。工程对策：长周期 holdout（留 1% 用户长期不看新策略）、序列实验设计（允许多期决策修正）、以及用短期代理指标加第 5.3 节动态框架建模代理与长期终点的关系——最后一个仍是开放研究问题，也是各家实验平台竞争的护城河。
观察数据与实验数据互补
实验贵、慢、且不能穷举所有策略变体；观察数据广、快、但有混杂。混合使用的两个成熟范式：观察数据筛假设、实验数据验证——因果发现（第 6 章）在日志数据上挖候选机制（如"哪些特征调节策略效果"），随后用小规模实验确认；实验数据校准观察模型——用历史实验标注部分个体的真实增量，修正观察数据上训练的 uplift 模型（类似第 7.1 节 RWE 用 RCT 锚定）。Meta、Netflix、字节各家公开的实验方法论文章里，这两个范式的变体反复出现。
定价与库存类应用顺带一提：需求的价格弹性是典型因果量，随机改价不可行时，历史上利用促销规则断点（满减门槛，第 4.4 节）、地区分批定价（DID）、供应链冲击作工具（第 4.5 节）完成识别——商业数据的三板斧仍是前六章方法的排列组合。
落地检查清单与误区表
任何"用模型发券/推内容"的个性化项目，上线前过这张表：
| 检查项 | 不合格的形态 | 合格动作 |
|---|---|---|
| 目标量 | 预测转化概率 | 预测增量（uplift/CATE） |
| 训练数据 | 历史 observational 直接训练 | 随机触达期数据或实验锚定 |
| 验证 | 离线 AUC | 分桶随机实验的实测增量单调性 |
| 干扰 | 用户级实验直接读数 | 单元≥干扰半径或度量溢出 |
| 长期 | 只看 7 日窗口 | holdout 市场校准长期 |
| 回滚 | 无 | 版本化、一键回退旧策略 |
常见误区对照：其一，把"模型分数高"当"策略收益高"——分数排序对即可决策，绝对值无意义；其二，把归因系统的转化增量当因果增量——归因是记账不是实验；其三，一次性验证后常年不复查——人群漂移会让半年前的最优分桶退化成随机发券。营销预算越大的团队，越值得为这套管线付工程成本。
增量归因与实验的换算
运营最常见的困惑：归因平台显示投放带来 30% 增量，实验测出来只有 8%，信谁？换算一下就明白：归因统计的是"触达人群中本来就会转化的人 + 真增量"，若该人群自然转化率是 25%，归因的 30% 里四分之多是本来就会发生的。真增量是 8% ——实验是对的，归因回答的是另一个问题（记账口径）。给管理层的换算句式：归因数字 × (1 − 自然转化占比) 才接近因果增量。这个换算让两个系统的数字从"互相打架"变成"各答各题"，是数据团队与业务对齐时最值钱的一句话。
uplift 项目冷启动清单
没有历史随机数据时怎么启动 uplift：第一，先跑为期两周的 5% 随机触达，宁可少发一部分券也要拿到无偏训练数据；第二，用随机期数据训练首版模型（哪怕只是逻辑回归交互项），同步上线按分数分桶的小流量验证；第三，把"分数桶 × 实测增量"表格作为每季度例会材料，分数与增量脱钩即刻触发模型复审。清单的关键在第一条——多数项目死在跳过随机期直接用观察数据训练，模型学到的是"谁本来会转化"，从第一天起就与预算目标错位。
本节要点回顾
- 决策链路：目标翻译为 uplift → 随机实验造训练数据 → 因果森林打分 → 分桶实验验证单调性 → 按预算约束选阈值。
- 干扰工程：单元小于干扰半径必高估；switchback、市场 holdout、社交图切片是三件标准工具。
- 长期效应：长周期 holdout 与代理指标建模是现行解法，仍是活跃前线。
- 混合范式：观察筛假设 + 实验验证；实验锚定观察模型。
- 下一章：把这套流程交给工具链——DoWhy、EconML 与最佳实践。