电商衡量广告、促销的核心痛点：你看到的转化，不全是它带来的——平台只会给高价值用户投广告、给爆款做促销，用户本身就想买，不是营销驱动；传统「投了vs没投」「发券vs不发券」的对比，全是选择偏差+混淆变量撑起来的虚假效果。因果方法的价值：剥离自然转化、用户禀赋、环境干扰，只算营销带来的「净新增转化」，直接指导预算、选品、投放。
一、先定框架：电商营销因果三要素
所有广告/促销分析，先把这3个变量钉死：
1.处理变量 T（Treatment）
￮广告：是否曝光/点击该广告（1=是，0=否）
￮促销：是否发券/参加满减/大促（1=是，0=否）
2.结果变量 Y（Outcome）
核心看增量，不看总量：
￮点击/加购/支付转化（CVR）
￮净GMV、净订单量（剔除本来就会买的）
￮客单价提升、复购提升
3.混淆变量 C（Confounders）（电商必控，少一个就偏）
￮用户：历史消费力、活跃度、品类偏好、新老客
￮商品：价格、类目、销量、评分、库存
￮环境：日期/时段、节假日、流量大盘、竞品活动
二、场景1：广告投放——算清「净新增转化」
适用：搜索广告、信息流、展位、达人带货广告
核心问题
•错：广告组转化率8%，非广告组3% → 广告带来5%转化
•对：广告组本来就是高意向用户，真实增量远低于5%
首选方法：倾向得分匹配(PSM) + 双重稳健(DR)
观测数据最稳组合，既匹配相似用户，又保证结果稳健。
实操步骤（可直接落地）
1.圈定同质人群
只看「有机会被投到广告」的用户，排除本来就不会买的低质流量。
2.计算倾向得分
用逻辑回归模型：
P(T=1 | 用户+商品+环境特征) = 该用户被投广告的概率
3.1:1匹配
给每个「投了广告的用户」，找一个特征几乎一样、但没投广告的用户做对照。
4.计算因果效应 ATE
真实广告增量 = 匹配后广告组转化率 − 对照组转化率
关键结论
你得到的不是「广告转化率」，而是广告净带来的转化：
•例：匹配前差5%，匹配后只差1.2%
→ 广告真实有效，但被严重高估，预算可砍掉低效投放。
三、场景2：促销/优惠券——剔除「本来就会买」的伪转化
适用：满减、折扣、品类券、店铺券、大促活动
核心问题
90%商家踩坑：
发券后订单涨了 → 以为促销有效
→ 实际70%是本来今天就会买，只是用券省了钱，叫促销蚕食（Cannibalization）
首选方法：双重差分 DID + 合成控制 SCM
•DID：适合有「活动前+活动后」+「相似商品做对照组」
•SCM：适合618/双11这种全站大促，找不到纯对照，用多商品合成一个「没参加大促的虚拟商品」
核心逻辑
真实促销效果 =
(活动后促销商品 − 活动前促销商品)
− (活动后对照商品 − 活动前对照商品)
你会得到3个关键结果
1.净新增订单：真的被促销打动才买的
2.蚕食订单：本来就买，只是用券
3.ROI：补贴成本 ÷ 净新增GMV
四、高阶价值：异质性因果效应 CATE——精准花钱
不只算整体效果，还要拆谁有效、什么有效：
•用户分层
新客：广告效果好 → 多投拉新
老客：券效果好 → 少投广告，多发精准券
•商品分层
爆款：促销边际效应低 → 少补贴
潜力款：广告+促销双有效 → 重点投
•渠道分层
搜索广告：转化准，净效应高
信息流：曝光大，净效应低 → 控预算
五、直接能用的因果决策结论
1.广告
只保留「净转化ATE显著为正」的计划/人群/商品，砍掉伪有效投放。
2.促销
只给「本来不会买、但会被券打动」的人发券，不给高意向用户白送钱。
3.大促
用合成控制算清：大促到底是创造增量，还是提前透支未来销量。
4.预算分配
把钱从「高相关性、低因果」的营销，挪到「低相关性、高因果」的精准动作。
六、电商因果避坑 5 条铁律
1.不用最后点击归因算广告效果，它会严重高估。
2.不直接用「活动组vs非活动组」 raw 数据，必须匹配/加权。
3.促销一定要扣减蚕食订单，只看净增量。
4.所有结论必须过安慰剂检验：随机造假Treatment，效果应接近0。
5.不追求模型复杂，PSM/DID/DR 足够支撑90%电商决策。
