因果关系推断，可以说是数据分析领域最难的问题之一，争吵很多年也没有定论。经常同学们被问到：“到底这个问题的原因是什么！”都会觉得分析起来很挠头，今天我们系统讲解下�?

方法	技术难�?	业务难度	分析深度	可解释�?
拆解�?	�?	�?	�?	�?
相关系数�?	�?	�?	�?	�?
趋势分析�?	�?	�?	�?	�?
控制变量�?	�?	�?	�?	�?

拆解�?

最常见的用来求因果关系的方法，是拆解法。把一个结果指标，从多个角度拆解，找到影响它的原因。举例：昨天�?4 个推广渠道，一共获�?100，今天只获客 80，问为啥获客少了�?

拆解的时候，有两种基本方式： 如果是并列关系（比如总部-分公司）就把整体拆成各部分之�?如果是串行关系（比如展示-落地-注册-浏览-转化）就拆出各个环节的转化率�? 拆解法做法（如上图）�? 1、把总获客数，按四个渠道拆解，发�?A 渠道获客最少。得到结�?1：因�?A 渠道少了，所以总获客少了�?2、把 A 渠道的获客，按获客流程拆解，拆解为展示页-落地�?转化三步，发现是转化环节少了，得到结论：因为 A 渠道的转化环节出了问题，所以总获客少了�?3、小结：因为 A 渠道转化环节出问题，这是获客少的原因�? 看起来回答的很完美，原因找到了！

可这种答法经不起业务部门再问一句：那为什�?A 转化差了呢？ I 我也没改文案呀�? I 投放经费也没少呀�? I 前后只差 1 天，为啥差异这么大？ I 为啥只有 A 变差了，其他又不变呢�? 一个都回答不上来…�? 所谓的拆解法，本质上只是通过细分，锁定了问题发生的位置。并不能找到元凶。所以常常被用来发现问题，而不是解释问题�? ## 相关系数�? 统计学里有相关分析的方法。而且有个看起来很复杂公式（如下图�? \[ r(X,Y) = \frac{Cov(X,Y)}{\sqrt{Var[X]Var[Y]}} \]

r=0.996

即使不算相关系数，单纯从散点图也能看出来，两个指标有相同的变动规律，问题是：为啥要丢这俩指标进来，是否俩指标能代表所有业务场景？�? 很多同学一看就来劲了！于是把两个指标带进去算相关系数，而且还到处百�? 相关系数 0.99 算不算大相关系数 0.9 算不算大相关系数 0.8 算不算大相关系数 0.7 算不算大反正相关系数足够大，就算是相关了�? 这次有一个复杂的公式做支撑，应该很科学了�? 这么搞，很容易搞出来统计学领域经典的“龙脉梗�? 1、中�?GDP 年年�?2、我家门前的树年年涨 3、把两个数据带进去，算出相关系数 0.994、所以我家门前的树是中国的龙脉！

相关分析、回归分析、聚类分析，本质上不是“分析”，而是计算。通过计算，得出两列数字或者几列数字之间的关系。至于这个关系到底有没有含义，计算公式本身就不负责解释了。因此套到现实中经常搞出来各种奇葩结果�? 所有的统计学方法都有类似的问题，只能解释数据本身的关系，解释不了现实中的关系。更本质地看：是否所有业务行为，外部因素都能量化？完全不是。比如消费者对品牌的信任，比如产品体验好坏，比如文案感受，是很难量化到一个稳定、可靠的指标的。因此，用统计学方法，可以大范围地筛选过滤指标，但是很难推理出真实因果�? ## 趋势分析�? 既然复杂的方法不好用，有没有简单的办法？有！比如基于最朴素的感觉：既然 A 会引�?B，那�?A 产生�?B 就该产生，A 结束了，B 会慢慢结束（或�?B 死掉）。人们就此总结出了因果推断四大原则�? 四大原则�? 1、原因发生在结果以前 2、原因发生以后，结果发生 3、原因持续期间，结果持续 4、原因消失以后，结果消失

这样的推断，符合人们的直观逻辑。更重要的是需要的数据少！只要一个指标走势就能看图说话了。所以非常好用�?
下雨跌，跌厉害，雨停了涨

同时符合四个条件�?. 雨开始，指标�?2. 指标掉的很厉�?3. 雨持续，指标持续�?4. 雨停了，指标恢复了这样才能说是：主要影响，要不只能说：影响之一

BUT，这么干有个很大的问题，就是无法剔除杂糅因素，只能观察到影响最大的那个因素。更无法看到隐藏在背后的深层因素。比如观察外因的时候，只能观察到天气、限行这种明显的因素；观察内因的时候，只能观察到降价这种因素。其他小因素根本观察不到�? 因此，这种方法常常用来做排除法，剔除不合理的借口。比如：“你说天气不好业绩就不好，那为啥人家天气差照样有业绩！”至于到底推动业绩的因素是啥？不知道，还得用其他方法分析�? ## 控制变量�? 想剔除杂因素，最好的办法就是分组测试，把样本塞到密封箱子里，然后一组组地测试效果。比如我想测用户对不同文案响应率，理论上，我应该用同样的商品、价格、转化位置，选同一批人，同一个渠道，然后可以开测了�? 对严谨的测试而言，四个相同非常重�? 同一客群（先天购买欲望不同） 同一产品（不然，哪个爆款买哪个） 同一价格（不然，哪个便宜买哪个） 同一渠道（路径、流程不同）

一但条件不同，结果被其他影响因素污染，测出来的也自然不准确。所以用 Abtest，用来测点击行为相对靠谱，测转化行为，不靠谱的多（影响因素太多，测不过来�?

但是测试手段也有问题�? 1、很难找到一模一样的两组人，完全剔除杂因素�?2、很难穷尽目标用户类型，因此测来测去可能都是同一类人的意见�?3、测试环境很难完全封闭，特别是要测试的是大促销、新品这种热门话题�?4、很难在合法合规的情况下，完全搞差异化方案，涉嫌价格歧视与欺骗消费者，《反垄断法》和工商局都不是吃干货的�?5、消费者永远是趋利的，他们会自己想办法突破测试屏蔽，最后选优惠最大的方案�? 导致的结果，就是这种测试，适合即时反馈�?封闭信息渠道+个性化推送的场景。是滴，就是类似打车软件、短视频软件的场景。稍微反馈速度慢一点，比如电商平台搞大数据杀熟，很容易在消费者换几个手机号登陆比价的时候被发现。最后还是哪个便宜买哪个…�?

为什么常见方法不管用

综上，我们会发现，在因果推断领域，几乎没有一种方法完全可靠，包括很多经典的统计学方法和科学实验方法。为什么会这样�? 因为本质上，企业经营是个社会科学问题，不是自然科学问题。自然科学领域，是有一些物理、化学、数学等基础原理支撑的，这些原理是稳定、科学、可量化的，因此可以通过数据统计+科学实验，慢慢地发现背后的自然规律。社会科学问题完全不是这样！社会科学问题本身就是多因素共同影响，容易被人操控改变，感性且冲动的。因此在社会科学领域，很难直接套用自然科学的方法解决问题�? 再加上，企业里上班的人，都是有立场、有态度、有企图的。当他们张嘴问：“这个问题到底是因为什么产生的？”或者问“这个功劳到底是因为什么出来的？”的时候，他们的潜意识里装的就是：功劳是我的，多少得蹭一点，锅都是别人的，硬甩也得甩出去。因此即使有靠谱的方法，大家也不见得就愿意用，即使有结论，大家也会找其他理由搪塞�? 所以面对因果推断的时候，要认真区分问题场景�?如果涉及：设计、生产、研发等客观性高一些的部门，可以用各种科学方法认真推断�?如果涉及：营销、运营、产品、销售这些主观性高的部门，可以参考陈老师在[[数据分析终极一问：多影响因素下，到底咋归因？！]]文章里教的方法，慢慢讨论。总之，结合商业场景，具体问题具体分析，才是解决问题之道�?