📚 课程目录第4章业务因果假设提取

4、业务因果假设提取：与业务专家协作、绘制因果图、识别关键驱动因素

在间歇需求预测中，仅依赖历史销量统计模型往往无法捕捉供应链中的结构性变化。业务专家掌握的领域知识——如促销计划、设备检修、原材料供应波动——是构建因果特征的关键来源。本节聚焦如何系统化地将专家经验转化为可工程化的因果假设。

4.1 协作流程：从专家访谈到因果假设

与业务专家的协作应遵循结构化流程，避免“一次性访谈”导致信息遗漏。推荐采用以下四阶段方法：

阶段	活动	产出物
1. 知识采集	一对一访谈、历史事件复盘、头脑风暴	原始因果陈述列表（如“每次大促后库存积压导致下月订单骤降”）
2. 结构化整理	将陈述转化为“变量-方向-时滞”三元组	因果假设卡片（含置信度评分）
3. 因果图绘制	使用有向无环图（DAG）表达变量间关系	业务因果图（初版）
4. 验证与迭代	数据回溯验证、专家评审会	修正后的因果图 + 关键驱动因素清单

实践要点：在知识采集阶段，使用“如果…那么…”句式引导专家表达因果逻辑。例如：“如果某SKU在T月进行了买赠促销，那么T+1月的需求量通常会上升还是下降？幅度大约多少？”

4.2 绘制业务因果图（DAG）

因果图是连接业务知识与机器学习特征的桥梁。以下是一个针对间歇需求场景的简化因果图示例，展示了促销、库存、维修计划如何共同影响未来需求。

  关键解读：图中“促销活动”同时影响“库存水平”和“未来需求量”；“设备维修计划”直接导致需求下降（停产期间无需求）；“原材料供应”通过影响生产计划间接作用于需求。历史需求数据作为非因果变量，仅用于模型校准。

4.3 识别关键驱动因素

从因果图中提取关键驱动因素时，需结合业务影响力和数据可得性进行优先级排序。以下表格展示了间歇需求场景中常见的驱动因素及其特征：

驱动因素	因果方向	时滞	数据来源	优先级
促销活动	正向（短期激增）	0~1 个月	市场部计划表	★★★★★
设备大修	负向（需求归零）	1~2 个月	工厂维护排程	★★★★★
原材料短缺	负向（供应中断）	0.5~1 个月	采购预警系统	★★★★☆
竞争对手促销	负向（需求转移）	0~1 个月	市场情报	★★★☆☆
季节性气候	双向（如雨季需求下降）	固定周期	气象局公开数据	★★★☆☆

4.4 因果假设的工程化表达

将因果假设转化为机器学习特征时，需要定义明确的特征构造规则。以下是一个基于“促销活动”的因果特征构造示例：

# 因果特征构造示例：促销影响特征
def build_promo_causal_features(df, promo_plan):
    """
    根据业务因果假设构造促销相关特征
    假设：促销后第1个月需求上升20%~50%，第2个月回落至基线
    """
    df = df.merge(promo_plan, on='SKU', how='left')
    
    # 特征1：促销强度（0/1 或 折扣率）
    df['promo_flag_t'] = df['discount_rate'].fillna(0)
    
    # 特征2：促销后效应（滞后1期）
    df['promo_lag1'] = df.groupby('SKU')['promo_flag_t'].shift(1).fillna(0)
    
    # 特征3：促销累积效应（过去3个月促销次数）
    df['promo_count_3m'] = df.groupby('SKU')['promo_flag_t'].rolling(3).sum().values
    
    # 特征4：促销与库存交互（库存不足时促销效果减弱）
    df['promo_inventory_interact'] = df['promo_flag_t'] * (df['inventory_level'] > df['safety_stock'])
    
    return df

避坑提醒：不要将业务专家的所有陈述直接作为特征加入模型。必须通过数据验证因果假设的统计显著性（如Granger因果检验、干预分析），避免引入虚假相关。建议在特征工程阶段保留一个“待验证特征池”，通过A/B测试或回溯实验逐步筛选。

4.5 因果假设文档化与版本管理

因果假设是动态演进的业务知识，需要像代码一样进行版本管理。推荐使用以下模板记录每条因果假设：

假设ID	因果陈述	来源专家	置信度	验证状态	版本
CA-001	促销后第1个月需求上升30%	销售总监	高	已验证	v2.1
CA-002	设备检修前2周客户会提前备货	工厂厂长	中	待验证	v1.0
CA-003	原材料价格波动影响客户下单节奏	采购经理	低	已驳回	v1.0

通过系统化的因果假设提取与工程化表达，间歇需求预测模型能够从“纯数据驱动”升级为“知识增强型”，在冷启动和结构性变化场景下显著提升预测稳定性。