做数据十年, 这是我见过最好的因果推断模型!

拆解、相关、实验、匹配……四种因果推断方法一次讲透！十年数据老司机拆解优劣，附真实踩坑案例，帮你选对模型、找准真因，不再被业务追问哑口无言。

很多人，都怕被问到：“到底导致问题的原因是什么！”大家都会觉得多种因素相互交织，很难分析清楚。今天介绍4种常见办法，从土办法到模型都有！

1常见方法1：拆解法最常见的方法是：拆解法。

把一个结果指标，从多个角度拆解，找到影响它的原因。举例：昨天有4个推广渠道，一共获客100，今天只获客80，问为啥获客少了。

‍拆解法做法（如上图）：

1、把总获客数，按四个渠道拆解，发现A渠道获客最少。得到结论1：因为A渠道少了，所以总获客少了。

2、把A渠道的获客，按获客流程拆解，拆解为展示页-落地页-转化三步，发现是转化环节少了，得到结论：因为A渠道的转化环节出了问题，所以总获客少了。

3、总结：因为A渠道转化环节出问题，这是获客少的原因。看起来回答得很完美，原因找到了！可这种答法经不起业务部门再问一句：那为什么A转化差了呢？

我也没改文案呀？

投放经费也没少呀？

前后只差1天，为啥差异这么大？

为啥只有A变差了，其他又不变呢？一个都回答不上来……所谓的拆解法，本质上只是通过细分，锁定了问题发生的位置。并不能找到元凶。所以常常被用来发现问题，而不是解释问题（如下图）

2常见方法2：相关系数法

统计学里有相关分析的方法。而且有个看起来很复杂公式（如下图）：

这次有一个复杂的公式做支撑，应该很科学了吧？但是！这么搞，很容易搞出来统计学领域经典的“龙脉梗”

1、中国GDP年年涨

2、我家门前的树年年涨

3、把两个数据带进去，算出相关系数0.994、所以我家门前的树是中国的龙脉！相关分析，本质上不是“分析”，而是计算。

只要两列数字保持相同/相反走势，就能算出来很高的相关系数。至于这个相关系数在现实中，到底有没有含义，就不管那么多了。

因此，相关分析可以大范围地筛选指标，过滤掉纸面上不相关的，真正的因果分析还要深入做（如下图）

3常见方法3：随机实验

从本质上看，因果推断问题难解，是因为有多重因素共同作用。因此，朴素的解题思路，就是：控制其他因素的影响，只测试我们关心的那个因素的影响。

我们可以把影响因素记作X，结果记为Y，分析目标是得出X→Y的效果如何控制影响因素呢？最好的办法就是做随机实验！随机实验被称作因果推断的黄金法则。

只要随机分组做的足够充分，就能生成两个一模一样的个体，从而剔除其他因素影响。之后，对其中一组施加我们想要的影响，另一组不施加影响。然后观察两组指标差异（如下图）

但是，实际工作中开展ABtest会很复杂，因为需要产品准备不同设计，开发做不同版本，工作量太大。

而且当测试的因素很多时，因素之间可能存在：1）

交叉效应：两个动作同时生效时，产生更好/更坏作用2）

新奇效应：新上功能时大家图好玩，事后又不喜欢了3）

覆盖效应：影响大的把影响小的覆盖掉4）

季节效应：只在特定时期，人们需要这个功能所以，一定要提前做好功课：1）

到底我测试的X是啥2）我想影响的Y是啥3）有没有季节问题4）有没有重大事件干扰5）有没有可能多因素交叉最好是提前做好分析，找到问题最大的点以后再逐一测试

综上来看，随机试验方法很好，但是需要较多前期准备，且可能涉嫌区别对待用户，不太适合在线下开展，更适合在线上开展（它区别对待了，你也难感受到）

4匹配法注意！

很多场景没法上ABtest，比如线下门店，不可能同一个商品，一个客户来了收30，另一个收20，会被投诉到工商局的！此时可以用匹配法，常见的，比如：DID：找发展趋势相同的匹配，对比政策影响效果PSM：先算评分模型，找评分接近的匹配，对比效果RDD：以某个特殊时间点（比如18岁成人礼），做前后时间对比