因果推断与Uplift建模：X-Learner优惠券发券策略实战

先讲一个我亲身经历过的场景。某电商团队做满199减30的券，运营拿着一份"高转化概率人群"名单，用梯度提升树预测了每个用户的购买概率，取了分数最高的一万人发券。上线一周，GMV 确实涨了，但财务一算毛利，整体是亏的。原因不复杂:那一万人里有七成是本来就打算下单的老客，券只是把他们原本要付的钱打了个折。这件事的核心问题不在模型精度，而在目标定义——他们预测的是"谁会买"，业务真正需要的是"谁因为这张券才买"。这就是因果推断与 Uplift 营销增益建模要解决的问题，也是 X-Learner 这类增量模型存在的理由。这篇内容会从业务目标翻译、模型选型、手写实现、效果验证到最终发券策略，完整走一遍，适合已经会用常规机器学习模型、但发现"预测准不等于赚钱"的算法同学和增长运营同学参考。

1. 从"谁会买"到"优惠券带来多少购买":响应模型的天花板

1.1 一个让发券预算打水漂的常规操作

大多数团队做营销模型的第一步，都是把历史订单拉出来，构造一个"是否购买"的标签，然后塞进 LightGBM 或者 XGBoost，训练一个二分类器。这套流程技术上完全没问题，AUC 做到 0.8 以上也不难。但它学到的本质是 P(Y=1|X)，也就是"在具备这些特征的人里，购买这件事发生的频率有多高"。这个量里混了两部分人群:一部分是被券推着走的人，另一部分是无论如何都会买的人。模型没有能力区分它们，因为从数据里看，这两类人的标签都是 1。

后果是很直接的。高转化概率的人群，往往就是高消费力、高复购频次、近期活跃的那批人。给他们发券，转化率当然漂亮，但增量接近零，甚至是负的——券面额直接吃掉了原本的毛利。我见过一个做母婴品类的团队，用响应模型跑了三个月，报表上的核销率一直在 40% 以上，看起来很健康，直到他们做了一次留出对照组的实验，才发现真实的增量只有 6 个百分点左右，剩下 34 个百分点全是自然转化。

1.2 把人群按"增量"重新切一刀

Uplift 建模的第一个价值，是换了一套人群划分的坐标系。原来的坐标轴是"购买概率高低"，现在换成"发券与不发券之间的购买概率差"。这一换，人群就分成了四类，业内一般叫四象限:

前两类是响应模型唯一能看见的，后两类它完全无能为力。特别是 sleeping dog 这一类，虽然占比通常不大，但危害很实在。典型例子是那些对价格不敏感、更看重品质感的高客单用户，一张大额折扣券反而会让他们怀疑商品是不是要清仓了，或者觉得自己的购买决策被"廉价化"了。这类反效果在美妆、轻奢、高端母婴这些品类里不算罕见，我在几个项目里都观察到过，虽然幅度不大（通常 -1 到 -3 个百分点），但人群一旦被精准命中，损失是放大的。

1.3 反事实不可观测:这件事到底难在哪

Uplift 建模之所以比普通预测难，根子在一个物理限制上:对同一个用户，你不可能同时观测到他"收到券"和"没收到券"两种状态下的结果。因果推断里把这个叫潜在结果（potential outcomes），记为 Y(1) 和 Y(0)，个体层面的增量 τ_i = Y_i(1) - Y_i(0) 永远是不可观测的。

所以整件事只能退一步做:不去估个体增量，而是估"在给定特征 X=x 的条件下的平均增量"，也就是 CATE（Conditional Average Treatment Effect）。这个量是可以从数据里估出来的，前提是数据本身没被污染。而现实里的数据往往是被污染的——运营在发券时本来就有偏好，比如优先发给高价值用户、优先发给即将流失的用户，这种"选择性发放"会把处理组和对照组的人群结构彻底打乱，直接拿去训练，模型学到的其实是"谁被选中发券"而不是"券产生了什么效果"。

这里有一条硬规则:如果发券策略本身是人为决策的，那这批数据只能用来做相关性分析，不能直接用来估因果效应。要估增量，最干净的路子是做随机分流实验。

2. 把业务问题翻译成因果量:目标定义与数据底座

2.1 CATE 的形式化表达与它的业务含义

把上面那段话写成公式，就是 τ(x) = E[Y(1) - Y(0) | X = x]。注意这里期望是对同一个特征取值下的所有个体求的，所以它回答的问题是:"对于画像长成这样的人，发券平均能带来多少额外的转化概率"。

和它对应的是 ATE = E[Y(1) - Y(0)]，也就是全体人群的平均增量。ATE 回答的是"这次活动整体值不值"，适合做活动复盘；CATE 回答的是"该发给谁"，适合做投放决策。做营销落地，必须拿到 CATE 层面的估计，因为预算永远是有限的，你要做的是在人群之间做排序和取舍。

这里还有一个容易被忽略的细节:业务上的"转化"未必是二值的。有些团队用 GMV 做目标，那就是连续变量下的 CATE；有些团队用"下单且未退款"做目标，那就需要在标签构造阶段就把退款窗口考虑进去。目标定义错了，后面模型再精细也是白搭。我的经验是，先把"这次发券到底想优化什么"写成一句话——是拉新人数、是订单量、还是毛利额——然后严格按这句话去构造 Y，不要中途改口径。

2.2 实验数据与观测数据:两条路的成本差距

数据来源基本就两种，取舍逻辑很清楚:

实际项目里最常见的做法是"实验打底、观测补充":先用一次覆盖几十万用户的随机分流实验，拿到一份干净的训练集，把模型跑通、把 Qini 曲线画出来；后续再考虑用观测数据扩样本，但扩样本时必须配合倾向得分加权或者双重稳健估计这类去偏手段，否则前功尽弃。

2.3 宽表怎么拼:字段设计与时间窗口

一份能用来训 Uplift 模型的宽表，最少要有四类字段:

• 用户标识:user_id，用于去重和后续关联
• 处理标记:treatment，1 表示发券，0 表示未发券。如果是多种面额，可以先做多值处理，或者退化成"发/不发"二值问题先跑通
• 结果标签:conversion，观察窗口内的转化标记
• 协变量:下单前可获得的全部特征，包括历史购买频次、近30天活跃天数、客单价、品类偏好、会员等级、领券历史敏感度等

字段本身不复杂，坑在时间窗口上。观察窗口太短，会漏掉那些"看到券想了三天才下单"的慢决策用户，增量被系统性低估；窗口太长，又会混进自然复购和季节性因素。快消、生鲜这类决策周期短的品类，7 天窗口基本够用；家电、家居这种长决策品类，往往要拉到 30 天甚至更久。我一般会同时跑 7 天和 30 天两个版本对比，看 Qini 曲线的形状是否稳定，如果两个版本排序差异很大，说明窗口选择对结论影响太重，得再想清楚。

2.4 样本量估算:别等模型跑完才发现不够

这一步被跳过的频率高得惊人。很多团队花两周搭好模型，最后发现置信区间宽得没法用。粗略的估算可以用这个公式:

n_per_group ≈ (z_{α/2} + z_β)² × [p₁(1-p₁) + p₂(1-p₂)] / (p₂ - p₁)²

举个具体数:基线转化率 p₁ = 2%，希望检测到相对提升 10%（即 p₂ = 2.2%），取 α=0.05、β=0.2，则 (1.96+0.84)² ≈ 7.84，分子是 7.84 × (0.02×0.98 + 0.022×0.978) ≈ 0.322，分母是 (0.002)² = 4×10⁻⁶，算下来每组约 8 万人。

但这只是"能测出 ATE"的样本量。Uplift 模型估的是异质性效应，需要把人群切成若干细分后每一块都还有足够样本，实际需求通常要再放大 3 到 5 倍。所以看到"每组 8 万够了"就收手，往往会做出一个在所有分桶上都看不出显著差异的模型。我的建议是，如果条件允许，实验组和对照组各准备 30 万以上，处理组比例保持在 30% 左右，这个配置在小样本侧的偏差和大样本侧的成本之间比较平衡。

3. S-Learner、T-Learner、X-Learner:三种套路的分水岭

3.1 T-Learner:两个模型各管一摊，简单但方差大

T-Learner 的思路最直白:在处理组样本上训一个模型 μ₁(x) 预测 Y(1)，在对照组样本上训一个模型 μ₀(x) 预测 Y(0)，然后 τ(x) = μ₁(x) - μ₀(x)。

它的优点是灵活性拉满，两个模型可以用不同的特征子集、不同的超参数，甚至不同的算法。缺点是误差会叠加——两个模型各自的预测误差在相减时不会抵消，反而可能放大。更麻烦的是，营销场景里处理组往往只占 10%~20%，对照组占大头，这意味着 μ₁ 是在很少的样本上训出来的，方差天然就大。你拿一个高方差的 μ₁ 去减一个低方差的 μ₀，结果的波动主要来自前者。

3.2 S-Learner:一个模型带个哑变量，特征是会被稀释的

S-Learner 反过来，把所有样本混在一起训一个模型，把 treatment 当成一个普通特征塞进去，预测时对同一个 x 分别取 treatment=1 和 0，两次预测值相减得到 τ(x)。

这个做法在样本少的时候很稳，但它有个内伤:模型并不知道 treatment 才是关键变量。树模型在分裂节点时，会优先选那些增益大的特征，如果历史购买频次、近30天活跃度这些特征本身就极强，treatment 这个二值变量很可能在几十轮分裂里一次都没被选中，于是模型算出来的 τ(x) 处处接近于零。我调过好几个这样的模型，Qini 曲线和随机线几乎重合，一开始还以为是数据没信号，后来把特征维度砍到只剩五六个，treatment 才开始被分裂到。这个现象在特征维度高、样本量中等的时候特别明显。

3.3 X-Learner 的动机:专治处理组样本少

X-Learner 的设计动机非常贴合营销场景。回想一下前面的样本量估算:实验组 30 万、对照组 70 万，这种不平衡是常态而不是例外。X-Learner 的核心思想是"用大样本那侧的信息，去补小样本那侧的缺口"，通过交叉插补的方式，让处理组和对照组各自都能得到一个覆盖全样本的效应估计。

3.4 X-Learner 的三步拆解与权重逻辑

X-Learner 分三步走，每一步都有明确目的:

第一步，训两个结果模型。μ₁(x) 用处理组样本训，μ₀(x) 用对照组样本训。注意这里是"结果模型"，预测的是 Y，不是增量。

第二步，交叉插补反事实结果。对处理组里的每个样本 i，它的 Y_i(1) 是真实观测到的，Y_i(0) 未知，那就用 μ₀(x_i) 去插补，得到增量估计 D_i¹ = Y_i - μ₀(x_i)。对对照组里的每个样本 j，Y_j(0) 是观测到的，Y_j(1) 用 μ₁(x_j) 插补，得到 D_j⁰ = μ₁(x_j) - Y_j。注意符号方向，两个都是"处理减对照"。

这一步是 X-Learner 的精髓:它把"估增量"这个难题，转化成了"在已有观测结果的样本上，用一个学到的模型去补另一半"的问题，从而让每个样本都能贡献一条增量样本。

第三步，训两个增量模型并加权融合。用 (X₁, D¹) 训一个 τ₁(x)，用 (X₀, D⁰) 训一个 τ₀(x)。最终的 τ(x) = g(x)·τ₀(x) + (1-g(x))·τ₁(x)，其中 g(x) 是倾向得分，也就是该样本被分到处理组的概率。

权重为什么这么设计？当 g(x) 很大（这类用户大概率会被发券），说明处理组里这类样本多，μ₁ 学得准，进而 D⁰ 插补得准，τ₀ 更可信，所以给 τ₀ 更高权重。反过来当 g(x) 很小，τ₁ 更可信。这个加权本质上是按"哪一侧的样本更充足"来分配信任度，逻辑非常自洽。

4. 手写一个 X-Learner:代码骨架与三个关键实现点

4.1 先造一份带真值的合成数据

验证因果模型最靠谱的方式是先造一份"知道标准答案"的数据。下面这个生成器里，真实增量 τ(x) 是显式写出来的，这样才能在最后拿来比对:

import numpy as np import pandas as pd from sklearn.ensemble import GradientBoostingRegressor, GradientBoostingClassifier from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split def make_uplift_data(n=200000, seed=42): rng = np.random.default_rng(seed) X = rng.normal(size=(n, 5)) # 倾向得分：让高活跃用户更容易被发券，模拟真实的选择偏差 logit = 0.8 * X[:, 0] - 0.5 * X[:, 1] + 0.3 * X[:, 2] p_treat = 1 / (1 + np.exp(-logit)) treat = rng.binomial(1, p_treat) # 基线购买意愿 base = 0.05 + 0.03 * X[:, 1] + 0.02 * X[:, 3] # 真实增量：只有 X[:,0] 高的用户对券敏感，X[:,4] 高的是反效果人群 tau = 0.06 * (X[:, 0] > 0.5).astype(float) - 0.04 * (X[:, 4] > 1.0).astype(float) prob = np.clip(base + treat * tau, 0.001, 0.999) y = rng.binomial(1, prob) cols = [f"x{i}" for i in range(5)] df = pd.DataFrame(X, columns=cols) df["treatment"] = treat df["conversion"] = y df["true_tau"] = tau return df

这段数据的构造有几个刻意的设计:倾向得分依赖特征，所以处理组和对照组的人群结构天然不同，这模拟了真实业务里的选择性发放；增量只由 x0 和 x4 决定，且 x4 上是负效应，用来测试模型能不能把 sleeping dog 找出来。

4.2 第一步与第二步:训练与交叉插补

class XLearnerManual: def __init__(self, base_model=None): self.base_model = base_model or GradientBoostingRegressor( n_estimators=200, max_depth=3, learning_rate=0.05, subsample=0.8, random_state=42 ) def fit(self, X, t, y): X = np.asarray(X, dtype=float) t = np.asarray(t).ravel() y = np.asarray(y).ravel() m1 = X[t == 1] y1 = y[t == 1] m0 = X[t == 0] y0 = y[t == 0] # Step 1: 两个结果模型 self.mu1 = clone_model(self.base_model).fit(m1, y1) self.mu0 = clone_model(self.base_model).fit(m0, y0) # Step 2: 交叉插补 d1 = y1 - self.mu0.predict(m1) # 处理组样本上的增量估计 d0 = self.mu1.predict(m0) - y0 # 对照组样本上的增量估计 # Step 3: 两个增量模型 self.tau1 = clone_model(self.base_model).fit(m1, d1) self.tau0 = clone_model(self.base_model).fit(m0, d0) # 倾向得分模型 self.ps = LogisticRegression(max_iter=1000).fit(X, t) return self def predict(self, X): X = np.asarray(X, dtype=float) g = self.ps.predict_proba(X)[:, 1] return g * self.tau0.predict(X) + (1 - g) * self.tau1.predict(X)

clone_model就是一个简单的 sklearnclone包装，保证三个基模型超参一致但不共享状态。这段代码不到 30 行，但每个细节都有讲究。

第一，基模型用的是GradientBoostingRegressor而不是分类器。因为第二步插补出来的 D 是连续值，可能为负，必须用回归器来接。有些人会直接把二分类的 Y 塞进回归器，这也可以，但如果正样本比例只有 2%，回归器容易塌缩到接近 0，此时可以考虑做样本加权或者对 D 做截断。

第二，max_depth=3这个参数不是随手写的。增量模型要估的是异质性效应，如果树太深，模型会把噪声当成信号拟合进去，插补出的 D 本身就带噪，再深挖就是垃圾进垃圾出。我一般会把增量模型的树深控制得比结果模型更浅。

第三，也是我认为最容易出问题的地方:mu0是在对照组上训的，而对照组样本量大，模型会比较稳；mu1是在处理组上训的，样本少，容易过拟合。如果mu1过拟合，d0 = mu1.predict(m0) - y0这一项就会失真，而d0恰恰是训练tau0的全部数据。所以我在处理组样本特别小的时候，会给mu1加更强的正则，比如把n_estimators调小或者用更浅的树，宁可偏差大一点也别方差炸掉。

4.3 第三步的权重:倾向得分模型的选择

权重函数 g(x) 用的是逻辑回归拟合出来的倾向得分。这里不建议用强模型，比如深度森林或者很深的 GBDT，原因有两个:一是倾向得分的目的是"平衡"，不是"预测准"，过拟合的倾向模型会让权重极端化，把某一侧的 τ 完全压掉；二是逻辑回归的系数可解释，万一模型出问题，你能快速看出是哪个特征导致权重异常。

如果处理组比例严重不均衡，比如只有 5%，可以在逻辑回归里加上class_weight='balanced'，让正负样本在损失里权重对等，学出来的 g(x) 分布会更平缓。

4.4 跑一遍看结果

df = make_uplift_data(n=200000) feat = [c for c in df.columns if c.startswith("x")] X_tr, X_te, t_tr, t_te, y_tr, y_te, tau_tr, tau_te = train_test_split( df[feat].values, df["treatment"].values, df["conversion"].values, df["true_tau"].values, test_size=0.3, random_state=7 ) xl = XLearnerManual().fit(X_tr, t_tr, y_tr) pred_tau = xl.predict(X_te) from scipy.stats import spearmanr print("Spearman 相关:", spearmanr(pred_tau, tau_te).correlation) print("预测均值:", pred_tau.mean(), " 真实均值:", tau_te.mean())

在合成数据上，Spearman 相关系数一般能到 0.5 以上，这个数值看起来不高，但对增量模型来说已经算不错——因为个体层面的 τ 本来就受大量随机性影响，排序相关性比绝对值更重要。如果这个数只有 0.1 上下，基本可以判断模型没学到东西，先去检查处理组样本量、特征是否泄漏、标签口径是否正确。

5. 模型准不准:反事实看不见，那就换个评法

5.1 Qini 曲线:把人群按增量从高到低排

Qini 曲线是 Uplift 场景下最常用的评估工具，思路和 ROC 曲线有点像，但纵轴换成了"累计增量"。具体做法是:把测试集按预测的 τ 从高到低排序，取前 k 个人，计算这 k 个人里的增量总和:

累计增量(k) = Σ_{i=1}^{k} [ Y_i·t_i/e(x_i) - Y_i·(1-t_i)/(1-e(x_i)) ]

这个公式是逆概率加权（IPW）版本，e(x_i) 就是倾向得分。用 IPW 而不是直接求差，是因为测试集里每个人的处理组和对照组样本量不一定成比例，直接求均值会有偏。

def qini_curve(y_true, t_true, uplift, ps): order = np.argsort(-uplift) y = y_true[order]; t = t_true[order]; e = ps[order] treated = np.where(t == 1, y / e, 0) control = np.where(t == 0, y / (1 - e), 0) cum = np.cumsum(treated - control) x = np.arange(1, len(y) + 1) return x, cum def qini_coefficient(x, cum): # 曲线下面积减去随机线面积，再归一化 area = np.trapz(cum, x) rand = np.trapz(cum[-1] * x / x[-1], x) return (area - rand) / x[-1]

Qini 曲线有几个判断要点:曲线要明显高于对角线（随机投放线）；曲线在某个位置会掉头向下，那个拐点就是"发券发到头了"的位置；如果曲线一开始就是平的，说明模型在前 10% 人群里没找出敏感用户。

5.2 常见的误判:拿 AUC 评价 Uplift 模型

这是我见过最多的踩坑方式。有人训完 Uplift 模型，顺手算了个 AUC，0.85，觉得很不错。但 AUC 衡量的是"对 Y 的判别能力"，一个把 sure thing 全部排在前面的模型，AUC 会非常漂亮，可它的增量几乎为零。

道理很简单:AUC 高只说明模型分得清"会不会买"，分不清"因为什么买"。这两个问题在数学上是两回事。所以 Uplift 模型的评估指标必须用 Qini、AUUC 或者分桶后的增量单调性，绝不能用 AUC 或者 KS。

5.3 用合成数据做真值校验

除了 Qini，我习惯在合成数据上再做一层校验:把测试集按真实 τ 分成十桶，看每一桶的预测 τ 均值是否呈单调下降，以及是否和真实 τ 均值同号。这个检查能抓出很多 Qini 看不出来的问题，比如模型整体偏高或偏低（系统性偏差），或者在某一段人群上符号反了。

幅度被压缩是回归类增量模型的通病，因为损失函数对极端值不敏感。实践上不影响排序，只要方向对，做分位数分桶投放就没问题。但如果符号反了，那就是严重问题，必须回头查数据。

6. 从分数到发券:策略层的最后一公里

6.1 分位数分桶:把连续分数变成可执行的人群包

模型输出的 τ 是个连续值，运营没法直接用它做决策。标准做法是按预测分数分十分位，每桶约占总用户的 10%，然后对每桶算实际的增量:

这张表是策略落地的核心产出。它的价值在于把"该不该发"变成了一个可以算账的问题:净收益 = 增量转化率 × 客单价 × 毛利率 - 券面额 - 触达成本。假设客单价 120、毛利率 30%，那么一单位增量转化的毛利约 36 元，一张 8 元的券需要至少带来 0.22 的增量转化率才回本。用这个临界值去卡分桶表，第 3~5 桶就已经不划算了，应该换成 3 元的小额券或者满减力度更低的组合。

6.2 sleeping dog 的处理:别只是不发

对预测为负增量的人群，最直接的做法是不发。但更稳妥的是先做一次小流量验证，因为模型预测负值可能是噪声。做法是从负值人群里随机抽 5%，一半照常发券一半不发，跑两周看差异是否显著。如果确认是负效应，那这批人以后就进"永久免打扰"名单；如果不显著，说明只是噪声，归到"不发"桶就好，没必要过度反应。

这一步很多团队会跳过，理由是"负效应人群占比小，不值得花实验资源"。但如果你的品类是高客单、高决策门槛的，负效应人群占比可能到 8%~12%，这部分损失反而是可以被量化并避免的。

6.3 上线后的衰减与再训练节奏

模型上线不代表结束。发券策略本身会改变用户行为，进而改变训练数据的分布。比如你把敏感人群全量覆盖了，下一轮实验里这批人的增量就会下降——不是因为模型变差，而是因为敏感的人都已经被"用光了"。

我的经验是:Uplift 模型的半衰期比响应模型短得多，通常 4 到 8 周就要重新跑一次实验、重训一次。同时要保留 5% 的永久对照组（一直不发券），这条基线是所有增量计算的锚，丢了它，后面所有的增量数字都是空中楼阁。

7. 我在实操中踩过的几个坑

7.1 特征里混进了"发券之后"才有的信息

这是最致命也最隐蔽的问题。比如把"是否点击券"、"是否领券"、"券后浏览时长"这些字段放进特征，模型在训练集上表现会好得离谱，Qini 系数高到 0.3 以上。但上线后完全失效，因为这些字段在发券之前根本拿不到。

判断方法很朴素:把每个特征问一遍"这个值在决策发生的那一刻（也就是决定发不发券之前）能拿到吗"。拿不到的一律剔除。我在一个项目里就因为混进了"近7天优惠券曝光次数"这个字段，导致模型离线评估虚高，线上跑了一周才发现问题。

7.2 处理组和对照组的"曝光"不对等

对照组不是"什么都不做"，而是"看不到这张券"。如果实验设计里对照组用户仍然能看到其他渠道的同类优惠，那两组之间的差异就被稀释了，估出来的增量会系统性偏低。这个坑在多渠道运营的公司里特别常见，需要在上线前和其他渠道的负责人对齐排期。

7.3 实验人群和生产人群不一致

实验往往只在一部分城市或一部分用户里跑，但模型上线时会推广到全量。如果实验人群的画像和生产人群差异大，模型的排序关系就可能失效。检查方法是对比两组人群在关键特征上的分布，如果 KS 统计量超过 0.2，就要谨慎。

7.4 多面额场景下的二值化损失

现实里券有很多种面额，直接压成"发/不发"会丢失信息。一个折中的做法是先按面额分组建模，或者用多值处理的方法（比如把不同面额当作不同 treatment 分别和对照组比）。我在一个项目里试过直接把面额当连续特征塞进模型，效果很差，因为模型无法理解"面额"是一个处理变量而不是协变量，这条弯路建议直接绕开。

最后分享一个我在实际项目里学到的小技巧:先把所有特征砍到只剩 5 到 8 个最有业务解释力的，用这份精简特征跑通整条链路、把 Qini 曲线和分桶表拿到手，然后再逐步加特征。这种做法看似慢，但能让你在每一步都清楚地知道"是哪个特征带来了提升"，而不是最后面对一个 200 维的黑盒模型，连问题出在哪都定位不了。