Guardrailed CATE-NBA

1. 解决的问题

光算出每个用户的增量效应（CATE）还不够——真实业务有预算上限、有高净值用户保护、有每天不能无限制打扰用户的体验红线。Guardrailed CATE-NBA 打通了"预测→决策"的最后一公里：三层漏斗把因果估算的结果直接转化为带约束的最优行动名单。

2. 核心算法逻辑

光算出每个用户的增量效应（CATE）还不够——真实业务有预算上限、有高净值用户保护、有每天不能无限制打扰用户的体验红线。Guardrailed CATENBA 打通了"预测→决策"的最后一公里：三层漏斗把因果估算的结果直接转化为带约束的最优行动名单。

3. 业务应用场景

业务问题 数据库里 80 万 90 天未下单的沉默用户，运营想全量发 50 元满减券激活，但财务要求总促销预算不超过 1 万美元，且担心本来明天就要下单的老客"白吃"优惠。

| 字段 | 说明 | 格式 | |------|------|------| | `user_id` | 用户唯一标识 | string | | `recency_score` | 近期活跃得分（最近购买时间倒序归一化）| [0,1] float | | `rfm_score` | RFM 综合得分（Recency + Frequency + Monetary）| [0,1] float | | `days_since_last_order` | 距上次下单天数 | int | | `historical_orders` | 历史订单数 | int | | 历史实验数据 | 含处理/对照标签

预期产出 - 每个用户对每种行动的增量得分（CATE 矩阵） - 经护栏过滤后的行动分配名单：A群/满减券、B群/免费小样、C群（铁粉或死粉）/不触达 - 总成本不超过预算的最优触达方案

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

• 难度 3/5：三层架构中，CATE 估算（Layer 1）可先用 Mock 或简单 T-Learner 快速验证，护栏规则（Layer 2）直接对应业务规则文档，贪心背包（Layer 3）无需引入额外依赖（纯 pandas + numpy 实现），整体上线路径清晰。唯一门槛是需要高质量的历史 A/B 实验数据作为 CATE 训练集。
• 优先级 4/5：论文已通过线上 A/B 测试验证营收显著正增长；母婴出海高获客成本场景下，精准促活对 LTV/CAC 比值的改善尤为关键；且护栏机制天然满足财务合规要求，落地阻力小。
• 量化依据：文献报告在对照组（随机发券）基础上，处理组新增 GMV 显著（p < 0.05），资源消耗降低约 40%。

7. 代码模板

代码块数量：2 · 路径：未检测到

from model import (
    Action, GuardrailConfig, GuardrailedCATENBA, generate_mock_users
)

# 定义营销行动选项
actions = [
    Action("coupon_20",   "满减券20元",  unit_cost=20.0),
    Action("coupon_50",   "满减券50元",  unit_cost=50.0),
    Action("free_sample", "免费小样",    unit_cost=8.0),
]

# 配置护栏参数
cfg = GuardrailConfig(
    cannibalization_base_prob_threshold=0.70,  # 高净值用户门槛
    cannibalization_cate_discount=0.50,         # 食人化打折系数
    total_budget=10_000.0,                      # 总预算（元）
    max_actions_per_user=1,                     # 每人最多触达1次
    min_cate=0.02,                              # 最低增量门槛
)

# 加载用户特征（实际替换为业务数据）
X = generate_mock_users(n=50_000)

# 运行完整流水线
model = GuardrailedCATENBA(actions=actions, config=cfg)
result = model.run(X)

# 查看分配结果
print(f"触达用户: {len(result.assignments):,}")
print(f"总成本: {result.total_cost:,.0f} 元")
print(f"预期增量: {result.total_expected_uplift:.3f}")
print("分配明细:", result.summary)

# 导出行动名单
result.assignments.to_csv("action_list.csv", index=False)

8. 论文来源

• 2512.19805