1. 课程导论：因果推断在促销预测中的价值
1.1 为什么促销预测需要因果推断？
传统促销预测模型（如时间序列、回归、深度学习）主要依赖历史销售数据中的相关性模式。然而，促销场景中存在大量混杂因素（如季节性、竞品活动、渠道库存），导致模型学到的是“伪关联”而非真实因果效应。当促销策略发生结构性变化（如降价幅度超出历史范围、新渠道上线）时，纯相关模型往往产生严重偏差。
核心痛点： 促销预测的本质是回答“如果执行某促销策略，销量会变化多少？”——这是一个典型的反事实推断问题，必须借助因果推断框架才能给出无偏估计。
因果推断在促销预测中的三大价值：
- 去偏估计： 通过控制混杂变量（如季节、库存、竞品价格），分离出促销策略对销量的真实因果效应。
- 策略优化： 估计不同促销强度（如折扣率、时长、渠道）的异质性处理效应，找到最优资源配置。
- 反事实推演： 在未执行促销的时段或品类上，模拟“如果做了促销会怎样”，为预算分配提供决策依据。
1.2 课程目标与学习路径
本课程旨在培养学员从因果特征提取到工程化落地的全链路能力。完成本课程后，学员将能够：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 理论理解 | 掌握因果图、do-算子、反事实框架在促销场景中的数学含义 | 2-4 |
| 特征工程 | 从因果图中提取干预变量、混杂变量、工具变量、中介变量 | 5-8 |
| 模型构建 | 实现双重机器学习、因果森林、元学习器在促销预测中的应用 | 9-14 |
| 工程落地 | 设计因果特征存储、在线推理管道、A/B测试与离线评估体系 | 15-22 |
| 实战案例 | 完成电商大促、快消品定价、会员优惠券三个完整项目 | 23-28 |
| 前沿扩展 | 了解时序因果发现、图神经网络因果表征、大模型因果推理 | 29-30 |
学习路径分为三个阶段：
- 基础夯实（第1-8章）： 因果推断核心概念 + 促销场景因果图构建 + 特征提取方法论。
- 模型实战（第9-22章）： 从经典因果模型到工业级工程架构，含代码实现与性能调优。
- 项目冲刺（第23-30章）： 三个端到端项目 + 前沿技术展望，形成可复用的因果预测模板。
1.3 前置知识要求
为保障学习效果，建议学员具备以下基础：
| 知识领域 | 具体要求 | 推荐自检方式 |
|---|---|---|
| 概率统计 | 理解条件概率、期望、方差、贝叶斯定理、假设检验 | 能推导 P(A|B) = P(AB)/P(B) 并解释辛普森悖论 |
| 机器学习 | 掌握回归/分类、树模型、正则化、交叉验证 | 能独立实现带 L2 正则的线性回归并调参 |
| 编程能力 | 熟练使用 Python，熟悉 pandas/numpy/sklearn | 能用 pandas 完成分组聚合、merge、pivot 操作 |
| 数据库基础 | 了解 SQL 查询、特征表设计、ETL 基本概念 | 能写出带 JOIN 和 GROUP BY 的多表查询 |
| 业务理解 | 了解零售/电商促销基本概念（折扣、满减、优惠券） | 能解释“满200减30”与“8折”在消费者决策上的差异 |
学习建议： 如果对概率统计或机器学习基础不够扎实，建议先复习《统计学习基础》前5章或同等课程。本课程第2-4章会快速回顾因果推断所需的核心统计概念，但不会从头讲授基础概率论。
1.4 因果推断 vs 传统预测：一个直观对比
以下表格从多个维度对比因果推断方法与传统预测方法在促销场景中的差异：
| 对比维度 | 传统预测方法 | 因果推断方法 |
|---|---|---|
| 核心问题 | “销量会是多少？” | “促销导致销量变化了多少？” |
| 建模对象 | P(销量 | 历史特征) | P(销量 | do(促销策略), 混杂控制) |
| 对策略变化的适应性 | 弱（依赖历史分布） | 强（可外推到新策略） |
| 混杂偏差处理 | 隐含在特征中，无法显式控制 | 通过因果图显式建模并去偏 |
| 可解释性 | 特征重要性（相关性） | 因果效应（干预-结果路径） |
| 典型模型 | ARIMA、LSTM、XGBoost | 双重机器学习、因果森林、元学习器 |
| 评估方式 | MAE/MAPE（预测误差） | ATE/CATE 估计误差 + 反事实验证 |
常见误区： 因果推断不是要完全替代传统预测模型，而是在传统模型基础上增加“因果结构”约束。实际工程落地中，通常采用“因果特征提取 + 传统预测模型”的混合架构，既保留预测精度，又获得因果可解释性。
1.5 课程特色与工程视角
本课程区别于纯学术教材的三大特色：
- 特征优先： 将因果推断的核心落脚在“特征提取”这一工程环节，而非仅停留在模型层面。每类因果特征（干预变量、混杂变量、工具变量、中介变量）都有对应的提取模板和代码实现。
- 管道化落地： 从因果图设计 → 特征存储 → 模型训练 → 在线推理 → 效果评估，形成完整的 MLOps 管道。提供基于 Feast + MLflow + Airflow 的参考实现。
- 业务闭环： 每个项目都包含“业务问题定义 → 因果图构建 → 特征提取 → 模型训练 → 策略建议 → A/B测试验证”的完整闭环，确保学员能直接迁移到实际业务中。
课程配套代码仓库包含：
causal-promotion-prediction/
├── causal_graphs/ # 促销场景因果图定义（DAG 文件）
├── feature_extraction/ # 因果特征提取模块
│ ├── confounders.py # 混杂变量提取
│ ├── instruments.py # 工具变量提取
│ └── mediators.py # 中介变量提取
├── models/ # 因果预测模型实现
│ ├── double_ml.py
│ ├── causal_forest.py
│ └── metalearners.py
├── pipelines/ # 训练与推理管道
│ ├── training_pipeline.py
│ └── inference_pipeline.py
├── projects/ # 三个完整项目
│ ├── ecommerce_promo/
│ ├── cpg_pricing/
│ └── member_coupon/
└── requirements.txt