8-3Causal+Machine+Learning+in+User+Growth.pdf

在数据科学在线峰会用户增长论坛DataFunSummit 2021中，李翱，一位拥有清华大学物理学博士学位的数据科学家，在快手公司担任策略算法的工作，分享了关于因果机器学习在用户增长中的应用。他的演讲主要涵盖了四个关键部分：介绍、因果分析、因果机器学习以及因果归因。 介绍部分明确了讨论的主题，即用户增长，特别是在日活跃用户（DAU）和用户保持率方面的增长。用户增长的目标清晰但复杂，需要通过深入分析来解决。演讲强调了从相关性到因果关系的转变，这是数据分析中的一个重要步骤，因为相关性并不一定意味着因果关系。 接着，李翱介绍了因果分析，特别是倾向得分匹配（PSM）在用户保留率中的应用。他提出，高保留率的用户观看视频可能促进了留存，但问题在于如何量化这些视频对留存的贡献。为了分析用户指标如何影响留存，可以构建并校正偏倚，例如通过逻辑回归或XGBoost建立处理模型（如点击或喜欢的二元变量）来计算倾向得分，然后用匹配算法进行去偏。通过检查协变量的平衡性（如p值），可以评估匹配的效果，并计算平均处理效果（ATE），即处理组与对照组的平均差异，以确定某个行为（如点击）对留存率的具体提升百分比。 以点击为例，如果点击行为可以提高5%的留存率，那么当一个用户从不点击变为点击时，其留存率可提升5%。对应的度量指标可能是click_dau（或click_dau/dau）。若click_dau增加1%，则留存率提升为1% * 5% = 0.05%。 对于连续处理变量（如点击次数或喜欢次数），PSM的方法同样适用，但需要更复杂的处理来估计不同水平处理的效应。这种分析有助于识别哪些用户行为最能促进留存，从而制定更有效的用户增长策略。 因果机器学习是利用机器学习方法来探索和建模因果关系。它结合了传统统计方法（如PSM）与现代机器学习技术，以更准确地预测不同干预措施对结果的影响。这在用户增长策略中至关重要，因为它允许数据科学家不仅预测未来的行为，还能预测如果实施特定策略，用户行为会如何变化。 李翱的演讲深入探讨了如何利用因果机器学习来理解和优化用户增长。通过因果分析和PSM，可以更精确地理解用户行为对留存率的影响，进而设计出更有效的用户保留策略和增长计划。这样的方法对于任何希望提升用户参与度和忠诚度的互联网企业来说，都是至关重要的工具。