分享兴趣，传播快乐，增长见闻，留下美好。
亲爱的您，
本期推文阅读时长大约5分钟，请您耐心阅读。
再听一听另外一个故事：
针对这类问题，之前常用的方法是去针对用户做维度下钻，但是效率极低且并不自动化很难遍历所有特征组合去分析。
一、背景
二、四类分析场景与对应解决方法概览三、分析场景与适用方法
举个例子，业务在上线‘主播连麦PK功能’后，发现使用连麦PK功能的用户比未使用此功能的用户开播率高4.3%，于是认为该功能提高了主播开播率。这个场景该如何做效果评估？
按照1:1的匹配比例，最终匹配上26w对用户数据。其中策略组用户开播率13.1%，对照组为11.2%，两组diff为1.9%，假设检验通过。因此从数据角度证明该功能确实能提高开播率，但提升效果为1.9%而不是4.3%。
其次，疫情前的时期是完美拟合的，这表明我们的合成控制可能发生过拟合。因为我们的对照组用了30个城市，所以我们的线性回归模型有30个参数可以使用，这给模型提供了过多灵活性，产生过拟合风险。此时可以使用Ridge或者Lasso回归来解决此问题，这里不过多赘述。
首先，它会把数据分成训练集和估计集，一部分训练集去构造树，另一部分估计集去估计因果效应和方差。
其次，在树的分区方式上，使用各个节点的方差对目标函数加以修正。给定训练集Str= {(Xi,Di,Yi)}，其中Di=1代表实验组，Di=0代表对照组，目标是预测E( (Yi(1) – Yi(0)) | Xi)。其中
通过建模，我们发现Causal Tree的第一个分裂点是用户是否是创作者，说明创作者受到了更大的实验负向影响。
假设有N个用户，用户i在没有优惠券的购买结果为Yi(0)，在有优惠券时购买结果为Yi(1)，此时发送优惠券对该用户的增益就是uplift score (i)=Yi(1)-Yi(0)。
最后，我们总结一下Uplift模型可能的应用场景：
举个例子，假设我们通过模型对一个顾客估计出CATE=2，说明价格减少一个单位，销量会多出2个单位。
X：统计第一个时间周期的用户消费行为特征（习惯偏好、消费行为、互动行为、消费内容垂类、作者相关画像信息等）
D：统计第二个时间周期的用户消费应为特征（D为需要计算因果效应的特征）
Y：第三个周期的用户活跃天数
随机选取第二个时间周期的活跃用户，拆分训练集和测试集，关联第一个时间周期的特征指标及第三个时间周期的因变量；
文章中提到物流批发价格会产生双重边际化，那么什么是双重边际效应呢？
可是（哭腔）
今天的分享就到这里了。如果您对今天的文章有独特的想法，欢迎给我们留言，让我们相约明天，祝您今天过得开心快乐！
引用地址:https://www.haoxigou.com/202305/23867.html
tags: