Causal Uplift Modeling — 因果提升模型：识别"可说服者"的跨域基础层
Skill-Causal-Uplift-Modeling · 01-因果推断
causalexperimentforecastingmulti_agentpricing客服与VOCMAS与智能体工程定价与利润WF-C 客服分诊WF-F 动态定价WF-G Listing内容优化WF-H 复购增长WF-I 智能体工程WF-J DTC 独立站增长
年化 ROI10 万
实现难度⭐⭐☆☆☆
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
母婴品牌发2万张优惠券时60-70%给了本来就会买的用户白白损失利润——因果提升模型从A/B实验数据识别「可说服者」，精准发券后ROI从1.2x提升至3-5x，年化节省无效促销50-80万元
2. 核心算法逻辑
传统机器学习预测"谁会买"，Uplift Modeling 预测"谁因为我们的干预才会买"。两者差异在于因果归因：找到 CATE（条件平均处理效应），即每位用户在"被干预 vs 不被干预"两种情景下的响应差异。
3. 业务应用场景
业务问题：每月发 2 万张 20% 折扣券，其中 60-70% 是"必然购买者"（拿了券也会买，白给折扣）。Uplift 模型识别真正的"可说服者"，只向他们发券，节省预算同时提升增量 GMV。
数据要求： - 历史 A/B 实验数据：有券组 vs 无券组的购买结果 - 用户特征：购买历史、浏览行为、品类偏好、注册天数
预期产出： - 每位用户的 CATE 得分（升序排列） - 最优发券阈值：CATE > X 的用户值得发券 - 增量 ROI：发券成本 vs 真实增量 GMV
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 预估：
- 优惠券精准定向：从全量发送到仅向可说服者发送，ROI 从 1.2x 提升至 3-5x
- 月均优惠券预算 ¥10 万 → 精准后节省 ¥4-6 万/月
- 年化 ROI：¥50-80 万（节省无效促销 + 增量 GMV）
- 实施难度：⭐⭐☆☆☆（需要 A/B 实验历史数据；scikit-learn 可实现；约 1-2 周）
- 优先级评分：⭐⭐⭐⭐⭐（图谱基础层 Skill，被3个高层 Skill 依赖；用户运营最高 ROI 的基础工具）
7. 代码模板
代码块数量：1 · 路径：未检测到
"""
Causal Uplift Modeling — T-Learner & X-Learner 实现
母婴跨境电商优惠券发放精准化
"""
import numpy as np
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
class TLearnerUplift:
"""T-Learner Uplift Model：分别训练处理组和对照组"""
def __init__(self, base_model=None):
self.model_t = base_model or GradientBoostingClassifier(n_estimators=100, random_state=42)
self.model_c = base_model or GradientBoostingClassifier(n_estimators=100, random_state=42)
def fit(self, X, treatment, outcome):
idx_t = treatment == 1
idx_c = treatment == 0
self.model_t.fit(X[idx_t], outcome[idx_t])
self.model_c.fit(X[idx_c], outcome[idx_c])
return self
def predict_uplift(self, X):
p_t = self.model_t.predict_proba(X)[:, 1]
p_c = self.model_c.predict_proba(X)[:, 1]
return p_t - p_c
def classify_users(self, X, threshold=0.05):
uplift = self.predict_uplift(X)
segments = np.where(uplift > threshold, 'Persuadable',
np.where(uplift < -threshold, 'Sleeping_Dog', 'Neutral'))
return uplift, segments
def generate_sample_data(n=2000, seed=42):
"""生成模拟母婴用户优惠券实验数据"""
np.random.seed(seed)
# 用户特征
purchase_history = np.random.poisson(3, n)
days_since_last = np.random.exponential(30, n)
category_loyalty = np.random.uniform(0, 1, n)
clv_score = np.random.lognormal(3, 1, n)
X = np.column_stack([purchase_history, days_since_last, category_loyalty, clv_score])
# 随机处理分配（A/B实验）
treatment = np.random.binomial(1, 0.5, n)
# 真实提升效应（异质性：价格敏感用户提升更大）
true_uplift = 0.2 * (category_loyalty < 0.4) + 0.1 * (days_since_last > 20) - 0.05
base_prob = 0.1 + 0.05 * np.log1p(purchase_history)
p_outcome = np.clip(base_prob + treatment * true_uplift, 0.01, 0.99)
outcome = np.random.binomial(1, p_outcome)
return X, treatment, outcome, true_uplift
def run_uplift_analysis():
print("=" * 60)
print("Causal Uplift Modeling — 母婴电商优惠券精准发放")8. 论文来源
- 1706.03461