Causal Attribution Bridge（因果归因桥梁）
Skill-Causal-Attribution-Bridge · 01-因果推断
causalforecasting广告与投放供应链与补货WF-A 智能补货WF-B 广告优化WF-G Listing内容优化WF-H 复购增长
年化 ROI10-20 万元
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色增长负责人 / CMO · 数据分析师 · 广告优化师
适用平台Amazon · TikTok Shop · Meta Ads · DTC 独立站
什么情况下用广告预算花了，但不确定哪个渠道真的带来新客；做了大促，不知道销量增长是促销效果还是季节规律
成功是什么样的能区分「真实增量」和「自然购买」，砍掉虚假归因渠道后同等预算 ROI 提升 20-40%
业务痛点
1. 解决的问题
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。
2. 核心算法逻辑
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。
3. 业务应用场景
TikTok 内容归因：naive 归因给 45%，因果 ITE 只有 32%——因为 13% 的"内容驱动购买"实际上是用户本身的品类偏好驱动的。纠正后 TikTok 预算从 $40K 调整到 $30K，$10K 转投 Google 搜索广告（因果 ITE 高）。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：10-20 万元 | 难度：⭐⭐⭐☆☆ | 优先级：⭐⭐⭐⭐☆
7. 代码模板
代码块数量：1 · 路径：未检测到
import numpy as np
def causal_vs_correlation_attribution(naive_shares, causal_ite):
"""naive_shares: 相关性归因, causal_ite: 因果增量效应"""
total_ite = sum(causal_ite)
causal_shares = [ite/total_ite for ite in causal_ite]
bias = [c - n for c, n in zip(causal_shares, naive_shares)]
return {'causal_shares': causal_shares, 'bias': bias}
# test
naive = [0.45, 0.35, 0.20] # TikTok, Google, FB
ite = [320, 480, 200] # 因果效应
r = causal_vs_correlation_attribution(naive, ite)
print(f"TikTok bias: {r['bias'][0]:+.0%} (因果纠正)")
print("[✓] Causal Attribution Bridge 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。