paper2skills Playbook

01-因果推断

Causal inference, uplift modeling, DiD, IV

Causal Attribution Bridge（因果归因桥梁）

01-因果推断

传统广告归因是相关性的（"点了广告→买了"），因果归因是反事实的（"如果没有这个广告→还会买吗"）。核心：用增量因果效应替代 naive 归因比例。

10-20 万元⭐⭐⭐☆☆
causalforecasting广告与投放供应链与补货

Causal Cohort Analysis — 因果队列分析：促销干预的长期用户行为效应

01-因果推断

传统队列分析（Cohort Analysis）追踪同一时期加入的用户群体的行为轨迹，但无法剥离选择偏差：高价值用户本来就会复购，促销只是"锦上添花"而非真正驱动因素。直接比较"接受促销的队列 vs 未接受促销的队列"，会高估促销效果 30-60%。

200-500 万元⭐⭐⭐☆☆
causalexperimentragpricing客服与VOC知识图谱与RAG定价与利润

Causal Discovery with PC Algorithm

01-因果推断

核心思想：从纯观测数据（无干预、无实验）中自动发现变量间的因果结构。PC 算法通过系统的条件独立性检验，逐步剔除无关边、识别 v-structures、传播方向约束，最终输出一个有向无环图（DAG）或部分定向图（CPDAG）。

首年投入约 5 万元，避免 1-2 次重大错误决策即可收回成⭐⭐⭐☆☆
causalexperimentoptimizationpricing广告与投放供应链与补货定价与利润

ClusterSC - 聚类合成控制法

01-因果推断

合成控制法（Synthetic Control, SC）通过为目标单元"合成"一个反事实来估计因果效应，是评估地区级/城市级无法做 A/B 的大型干预（如区域广告投放、城市政策）的黄金标准。

0 万元⭐⭐⭐☆☆
causalexperimentforecastingoptimizationpricing广告与投放客服与VOC定价与利润

共形预测ROI区间估计 - 小样本下的可信转化贡献量化

01-因果推断

rDRP（robust Direct ROI Prediction）在标准 DRP (Direct ROI Prediction, AAAI 2023) 基础上，用共形预测 + MC Dropout 做 ROI 区间估计，再通过启发式校准将区间信息融回点估计。

5-15 万/月⭐⭐☆☆☆
causalexperimentforecasting广告与投放

Conformal Risk Assessment — 共形预测业务风险量化：覆盖率保证的区间估计

01-因果推断

共形预测的核心保证：共形预测（Conformal Prediction, CP）在无需分布假设的条件下，为任意黑盒预测模型提供覆盖率理论保证。对于置信水平 1-α（如 90%），输出的预测区间 `[lower, upper]` 在有限样本下满足：`P(y ∈ [lower, upper]) ≥ 1-α`。这一保证来自数据可交换性（exchangeability），而非 Gaussian 分布假设。

⭐⭐☆☆☆
causalexperimentforecastingmulti_agentfraud_detection广告与投放供应链与补货MAS与智能体工程风控与合规

DML Cohort 因果效应 - 群体异质性 HTE 估计

01-因果推断

平台对所有新妈妈用户统一发放"新生儿满减券",ROI 整体回归到 1.2-1.5x,猜测某些群体响应强、某些群体弱,但不知如何切分 - 数据要求:用户注册时填写宝宝生日 + 高维行为日志(2000 维:RFM、品类偏好、渠道、地理) - DML 配置: - 第一阶段:XGBoost 拟合 $E[Y|X]$,LightGBM 拟合 $E[D|X]$ - PCA 降维至 10 维,K-mea

1500-2500 万元⭐⭐⭐⭐☆
causalexperimentpricing客服与VOC定价与利润

Difference-in-Differences (DiD) for Causal Effect Estimation

01-因果推断

核心思想：利用处理组和对照组在政策/干预前后的变化差异来估计因果效应。基本逻辑是：如果没有干预，处理组的趋势应该与对照组平行（平行趋势假设）。干预后的实际差异减去趋势差异，就是干预的净效应。

50万⭐⭐☆☆☆
causalexperimentforecastingpricing广告与投放定价与利润

认知不确定性共形评分 - 数据稀疏区域自适应区间加宽

01-因果推断

标准共形预测对所有数据点使用统一的非一致性分数，无法区分"数据多的区域"和"数据少的区域"。根本原因：传统共形分数只捕捉偶然不确定性（aleatoric uncertainty，数据本身的随机性），对认知不确定性（epistemic uncertainty，训练数据不足导致的模型无知）视而不见——在数据稀疏区域仍然给出窄区间，形成虚假的高置信度。

causalexperimentforecastingrag推荐与搜索知识图谱与RAG

智能归因 - 因果森林 (Causal Forest)

01-因果推断

我们在美国、加拿大、英国、德国同步投放吸奶器广告，不同市场的用户行为差异显著

50 万⭐⭐⭐☆☆
causalexperimentforecastingoptimizationpricing广告与投放定价与利润

Causal Mediation Analysis — Decomposing "Why It Works

01-因果推断

核心思想：中介分析回答"为什么"——一个干预（如推荐算法更新）通过什么机制影响了结果（如转化率）。它将总效应分解为

10-30万⭐⭐☆☆☆
causalexperimentforecastingoptimizationrecommendation客服与VOC推荐与搜索

小样本Beta修正共形预测 - 50个样本也能保证覆盖

01-因果推断

标准 Split Conformal Prediction 的覆盖保证是"期望意义"的——跨多次校准集随机抽取，平均覆盖率为 `1-α`，但单次校准的覆盖率可能远低于目标值。实验表明：当校准集 n=50 时，目标覆盖率 90% 的标准共形预测，实际违约率高达 ~40%（即 40% 的概率实际覆盖 < 90%）。

5-20 万/月⭐⭐☆☆☆
causalexperimentforecastingrag知识图谱与RAG

Uplift Modeling (元学习框架)

01-因果推断

识别哪些用户最有可能因为某个干预（如促销、广告）而产生正向行为。

50 万⭐⭐☆☆☆
causalexperimentforecastingoptimizationpricing广告与投放定价与利润