本文将从工业界物流领域视角出发，分享如何基于观测数据提升营销策略效率。
主要分为以下四部分：
- 因果推断与营销观测数据
- 物流行业技术挑战
- 灵活网格时空熵平衡
- 总结与展望
01 因果推断与营销观测数据
因果推断是一种用于确定一个事件（因）是否导致了另一个事件（果）的一种技术。在很多场景中，相关性不等于因果性。如在温度升高的情况下，冰淇淋销量与溺水量之间存在相关性，但两者之间不存在因果性。营销场景更希望关注因果性，如补贴/定价的原因如何影响结果单量的增长。相关性包含因果性，相关性主要产生于：因果（causation）、混淆（confounding）、样本选择偏差（selection bias）。
营销与每个人都息息相关，营销的底层逻辑在于创造需求、满足需求和唤醒需求。货拉拉营销的一个主要目标就是用户增长，在增长体系中，AARRR 关注获客渠道，RARRA 关注留存唤醒需求，Growth Loop 同时关注获客和留存，构成增长飞轮，可形成复利。营销工具包括：触达、广告、线索、补贴、定价等。随着营销技术的增长，营销领域逐步实现智能化。智能营销是通过大数据和 AI 技术实现营销自动化、精准化、最优化。
货拉拉使用因果推断技术，在所有营销领域实现了营销效率的提升，该技术覆盖了新客转化、用户增长、用户体验、用户留存、用户召回等用户全周期。
因果推断模型主要选择 Uplift Model 计算因果效应，并结合运筹优化策略来使用。Uplift Model 经过长时间的演变，目前演化出不同的技术方向，包括 Meta Learner、因果树、Deep Learning 等。
我们对因果推断模型最主要的要求有两方面：一是稳定性，在不同的场景下都可以使用，解决 OOD 泛化问题；二是能够在数据上学习到准确的因果效应，在工业上，如果没有学到好的因果效应，上线后就会产生负向的收益，因此准确性是非常重要的。
因果建模一定会使用到各种数据，可以分为随机试验数据（RCTs）和观测数据（Observational Data）。随机试验数据是最完美的数据，不用考虑混杂因素的影响，可以直接计算因果效应；但工业上随机试验数据成本极高，在货拉拉业务上可行性低。企业中更多使用的是观测数据，其优势在于成本低、数据量大，通过日常运营积累就可获得；但观测数据与混杂因素相关联，影响因果效应的计算。
混杂因素是观测数据的主要问题，控制混杂因素的常用方法包括，倾向得分匹配（Propensity Score Matching）、逆向倾向加权（IPW）、混杂因素平衡（Directly Confounding Balancing）、熵平衡（Entropy Balancing）等。
熵平衡方法是在Directly Confounding Balancing 方法基础上优化得来的，目标是最小化熵，或者保证熵平衡，以 Confounding balance 作为限制条件，再加上一个权重的约束，从而保证平滑性。
在货拉拉，最常用的方法是 IPW 和熵平衡。求出权重值，给样本赋予权重，控制混杂因素。
熵平衡方法和其它方法相比，具有以下三点优势：直接约束协变量平衡效果好；直接使用观测数据，无其他约束；使用全量数据，数据利用率高，权重平滑。
02 物流行业技术挑战
根据前文介绍，熵平衡是一种很理想的方法。但在实际的物流行业中，仍然面临着如下一些挑战：
-
精细化，要求运营策略能够精细化到某个地理围栏；
-
稳定性，物流行业场景多，需要一个模型适用多个场景；
-
效果好，要求 Uplift score 要准确，在观测数据质量下降的情况下依然保持因果效应学习质量。
物流行业受时间、空间影响比较大。
在时间维度上：①订单受时间影响大，每天存在两个高峰期，不在时间轴上均匀分配，引入了时间不平衡性；②同城货运中周一到周五单量多，周末单量少；③搬家周末单量多，周中单量少；④每天晚上22点-第二天6点单量稀疏。
在空间维度上：①市中心单量多，郊区单量少；②一、二线城市单量多，三、四线城市单量少；③专业市场（建材、水果、服装）单量多，居民区单量少。
因此，因果效应学习过程中在时间和空间会自然引入不平衡效应，导致在某些时空领域内因果效应学习不准确。
03 时空领域熵平衡
基于以上技术挑战，提出货运场景下，一种基于灵活网格技术的时空领域熵平衡的因果效应计算方法，提升因果效应计算的准确性。
这种方法包含几个特点：①基于货运领域行业特点，提出一种时空领域划分方法；②空间上提出一种灵活网格计算方法；③和目前的熵平衡方法相比，这种技术可在时空 OD 维度上实现 confounding control，提升因果效应的准确性和模型稳定性；④提出时空熵平衡方法最小化信息损失。
算法实现上，时间维度根据订单密度进行划分，空间维度使用灵活网格方法进行划分。H3 蜂窝网络由网约车平台 Uber 提出，是一个针对地球的空间划分和空间索引系统，可将地理空间分割为若干正六边形网格，并用 0-15 级分别定义网格大小。
灵活网格基于基础网格和订单量，将若干 H3 网格（同城物流 10 级，跨城物流 6 级）进一步聚合，以提高网格内的订单密度，灵活网格地理上仍是连通的。其中，聚合规则主要基于订单量，在保证网格尽量细的同时，保证每个网格内具有一定的订单量，以保证网格内因果效应学习的准确性。
以上海市为例，黄浦区、普陀区等上海市中心区域订单密度较大，网格就会划分得较为精细，单个灵活网格面积就会比较小。在崇明岛等上海郊区，区域内订单密度较小，按照网格内订单密度标准，划分的单个灵活网格面积就会较大。当订单密度标准变更时，灵活网格的划分也会随之变更。
基于时空网格划分，观测数据被细分到了不同的时空领域。之后，针对每一个时空领域，分别进行熵平衡损失的计算，再根据每一时空领域的信息含量进行加权，求解出总损失值。基于梯度下降的方法，求解熵平衡的权重系数，并在求解过程中持续观察干预与混杂因素之间的相关系数是否下降，相关系数下降才能保证损失求解是正确的。求解完成后，将得到的时空领域熵平衡权重值附加到观测数据上，使用 Uplift Model 计算 ITE 和 ATE，后配合运筹方法，最终实现营销策略的分发。
在数学推导上，基于传统的熵平衡方法进行了修改。目标是各时空网格内的熵平衡最小化，限制条件为在每个时空领域内保证混杂因素影响较小，并保证求解的权重系数平滑。这时，问题就转化为最优化问题，接下来使用拉格朗日对偶进行求解。
计算过程中为应对潜在的梯度爆炸问题，使用 PCA 对 confounding 特征进行降维，并设置灵活网格精细度的超参数。为应对凸函数的限定，根据业务常规性特点，如补贴和定价单调性特点，对干预进行微调以保证凸函数性质。
我们使用补贴和定价的真实业务数据，以及一些模拟数据，进行了验证，结果显示，loss 快速收敛。Loss 收敛速度与数据中 confounding 强度有关，如果强度较大，则收敛速度会降低。
为了验证人为改变观测数据分布对真实数据的结果会产生何种影响，我们使用 AUC 和 AUUC 指标来衡量模型准确度在数据更改情况下的变化，来验证模型的适应情况。结果显示，虽然 AUC 略有下降，但 AUUC 则会更强，该方法在不同数据集上的表现均符合预期。
从各网格细粒度进行因果效应学习效果评估，和传统方法相比，在相关系数和 p-value 均有较好的提升，能更好地消除 confounding 的影响。时空熵平衡方法可保证各时空网格内混杂因素均能较好地消除。
04 总结与展望
本次分享是从业务角度，解决观测数据遇到的一个实际问题。针对物流领域，提出了一种利用观测数据提升因果效应计算的方法。适用于未来精细化的运营场景，更精细化的 confounding bias 控制。灵活网格划分方法可扩展至其他领域，针对业务中需进一步划分精细场景的因果推断问题，均可进行替换。
作者简介
货拉拉/技术中心/智能运营部
张洪龙、曾帆、杜敏、杜香焜、郑悦、黎铨祺、张梦冉、杨丹、邬继豪