2. 促销场景的因果图建模：定义促销变量、结果变量与混杂因子，构建DAG

在因果推断的框架下，促销活动并非简单的“投放即生效”过程。用户购买行为受到价格、渠道、季节、用户自身属性等多重因素交织影响。若直接使用原始特征进行预测，模型极易学到虚假关联（如“夏季促销”与“高销量”的相关性，而非因果性）。本章的核心任务是：通过构建有向无环图（DAG），明确促销场景中的因果结构，为后续的特征提取与工程落地奠定理论基础。

2.1 核心变量定义

在促销因果图中，我们首先需要明确三类核心节点：处理变量（Treatment）、结果变量（Outcome）和混杂因子（Confounders）。下表给出了促销场景下的典型定义：

2.2 构建促销场景DAG

基于上述变量定义，我们构建一个包含混杂因子和工具变量的标准促销因果图。该图清晰地展示了变量间的因果流向：

2.3 混杂因子的识别与处理策略

在工程落地中，识别混杂因子是特征提取的第一步。以下是针对促销场景的常见混杂因子及其处理策略：

1. 用户历史行为（History）
   • 识别依据：高活跃用户更易被促销触达，且本身转化率更高。
   • 工程策略：构建“过去30天购买次数”、“历史客单价”等特征，直接纳入模型作为控制变量。
2. 季节/节假日（Season）
   • 识别依据：大促期间促销力度大，同时用户购买意愿自然上升。
   • 工程策略：使用One-Hot编码或Embedding表示月份、是否节假日，作为固定效应特征。
3. 商品品类（Category）
   • 识别依据：快消品促销频繁且敏感度高，耐用品促销周期长。
   • 工程策略：构建品类ID特征，或计算品类级别的促销弹性作为交叉特征。

2.4 从DAG到特征工程的映射

构建DAG的最终目的是指导特征提取。下表展示了DAG节点与工程特征的对应关系：

2.5 构建DAG的工程流程

在实际项目中，构建DAG并非一次性工作，而是需要与业务方反复对齐的迭代过程。以下是推荐的工程落地流程：

1. 业务访谈：与运营、产品经理确认“促销是如何触达用户的？”、“哪些因素会影响促销决策？”。
2. 数据探索：通过相关性分析、条件独立性检验（如卡方检验、Fisher精确检验）初步验证变量关系。
3. DAG草图绘制：使用networkx或dagitty库绘制初始DAG。
4. 专家评审：邀请业务专家评审DAG结构，确认是否存在遗漏的混杂因子或反向因果。
5. 特征提取：根据DAG中的节点，提取对应的工程特征，并确保所有混杂因子都被纳入模型。