3. 归因分析的基本流程：问题定义 → 数据收集 → 特征工程 → 模型构建 → 因果推断 → 结论输出

坏样本归因分析不是一次性的“找原因”动作，而是一套结构化的工程流程。从业务痛点出发，到可落地的结论输出，每一步都决定了最终归因结果的准确性与可解释性。本章将拆解归因分析的六步标准流程，并结合坏样本场景给出具体操作指南。

3.1 流程总览：六步闭环

归因分析的完整链路是一个闭环系统，每一步的输出是下一步的输入。以下流程图展示了从问题定义到结论输出的核心路径：

3.2 第一步：问题定义——明确“坏”的边界

问题定义是整个流程的起点，也是最容易被忽视的一步。在坏样本场景中，必须回答三个核心问题：

• 什么是“坏”？——是准确率下降、召回率骤跌、还是特定类别的F1-score崩盘？
• “坏”的程度？——是偶发波动还是持续恶化？阈值是多少？
• “坏”的范围？——是全局模型退化，还是特定子群（如新用户、长尾商品）表现异常？

3.3 第二步：数据收集——多源数据整合

数据收集不是简单的“把数据拿来”，而是围绕问题定义，有目的地采集可能包含因果信息的变量。坏样本归因通常需要以下四类数据：

1. 模型输入数据：特征向量、预测分数、模型版本、推理时间戳。
2. 标签数据：真实标签、标注时间、标注来源（人工/规则/外部）。
3. 环境数据：线上流量分布、用户画像分布、商品/内容池变更记录。
4. 系统日志：特征计算日志、模型部署日志、AB实验分组信息。

3.4 第三步：特征工程——从原始数据到归因特征

特征工程在归因分析中的目标与建模不同：不是为了最大化预测精度，而是为了分离出可解释的归因因子。常用方法包括：

• 统计衍生：计算滑动窗口内的均值、方差、分位数，捕捉时序突变。
• 对比特征：坏样本 vs 正常样本的分布差异（PSI、KL散度）。
• 交叉特征：用户×商品、时段×渠道等组合，定位子群异常。
• 滞后特征：引入前N个时间步的特征，捕捉延迟效应。

# 示例：计算特征分布偏移（PSI）
import numpy as np

def calculate_psi(expected, actual, bins=10):
    """计算群体稳定性指标（PSI）"""
    expected_hist, _ = np.histogram(expected, bins=bins, range=(0,1))
    actual_hist, _ = np.histogram(actual, bins=bins, range=(0,1))
    
    # 归一化
    expected_pct = expected_hist / len(expected)
    actual_pct = actual_hist / len(actual)
    
    # 避免除零
    expected_pct = np.clip(expected_pct, 0.0001, 1)
    actual_pct = np.clip(actual_pct, 0.0001, 1)
    
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    return psi

# 使用：比较坏样本与正常样本在特征A上的分布偏移
psi_value = calculate_psi(normal_sample['feature_A'], bad_sample['feature_A'])
print(f"特征A的PSI: {psi_value:.4f}")  # PSI > 0.1 提示显著偏移

3.5 第四步：模型构建——量化关联强度

模型构建在归因分析中扮演“筛选器”角色，目的是从大量候选特征中找出与坏样本强相关的变量。推荐使用可解释性强的模型：

3.6 第五步：因果推断——从相关到因果

模型构建只能告诉我们“哪些特征与坏样本相关”，但无法回答“改变某个特征是否会导致坏样本减少”。因果推断是归因分析的核心步骤，常用方法包括：

• 双重差分法（DID）：比较实验组与对照组在干预前后的差异，适用于有明确时间断点的场景。
• 工具变量法（IV）：当存在未观测混杂变量时，通过工具变量分离因果效应。
• 断点回归（RDD）：利用阈值附近的随机性，估计因果效应。
• 结构因果模型（SCM）：基于有向无环图（DAG）进行因果推断，适合复杂系统。

3.7 第六步：结论输出——从分析到行动

归因分析的最终产出不是一份技术报告，而是可落地的行动建议。结论输出应包含以下要素：

3.8 流程避坑清单

基于大量坏样本归因实战案例，以下是最常见的流程错误：

• 跳过问题定义：直接开始收集数据，导致数据与问题不匹配。
• 数据收集不全：只收集了模型输入数据，忽略了环境数据和系统日志。
• 特征工程过度：生成了大量无业务含义的特征，导致归因结果难以解释。
• 模型选择不当：使用黑盒模型做归因，无法追溯因果路径。
• 因果推断缺失：将相关性直接当作因果性，导致修复措施无效。
• 结论输出模糊：只给出“特征A有问题”，没有给出具体修复方案。