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

半年豪掷342亿！A股创新药企加码，我国跃居全球新药研发第二位我国在研新药数量占全球数量比例超过20%，跃居全球新药研发的第二位。在A股市场上，今年上半年150家创新药公司豪掷342亿元“竞速”研发，同比增长约3.86%。业绩表现同样不俗，超七成创新药企实现盈利，不少公司出海业务表现亮眼