技术摘要：评估时间对优惠券有效性的影响

问题陈述

优惠券激励是营销策略中的常备手段，但企业往往难以实现投资回报率（ROI）的最大化。虽然以往的研究侧重于优化优惠券的“价值”（例如折扣比例）或用户的“细分”（例如增量建模），但“时间”的影响在许多场景下仍未得到充分探索。

核心挑战在于，验证“优惠券在用户参与的关键时刻发放更为有效”这一假设，通常需要一个实时的、由事件触发的分发系统。实现这样一个系统涉及显著的工程投入和成本。因此，公司面临着一个“死循环”：他们需要证据来证明其收益以证明构建基础设施的合理性，但如果不构建专门用于运行对比“即时发放”与“延迟发放”的随机对照试验（RCT）的基础设施，就无法产生这些证据。

本文旨在解决如何利用现有数据，在无需专用实时分发服务的情况下，估算优惠券发放时间对转化率的因果效应。

方法论

作者提出了一个应用因果推断于现有“自然随机对照试验”数据的框架。该方法利用了标准的基于批处理的任务数据，在这些任务中，用户被随机分配到控制组和实验组，但优惠券发放的具体时间是由用户的注册时间或活动时间相对于批处理调度的时间决定的。

1. 因果建模与识别

该框架利用有向无环图（DAGs）来识别混杂变量，并确定用于无偏估计的调节集。

• 用户入驻案例： 作者对用户属性 ($X$)、处理变量 ($T$)、前置购买事件 ($P$) 以及结果变量（$Y$，未来购买行为）之间的关系进行了建模。他们发现了一个关键陷位：对 $P$（尚未购买的用户）进行条件化会阻断时间协变量与结果之间的前向路径，从而导致交互估计出现偏差。为了估计时间与处理变量之间的交互作用 ($P(Y|do(T), do(M))$)，模型在分析交互时必须*不*对$P$ 进行条件化，或者必须仔细处理由批处理过程引入的选择偏差。
• 用户留存案例： 针对公开数据集（Lenta）应用了一个更简单的因果模型，目标是估算“距离上次购买经过的时间”与处理效应之间的交互作用。

2. 带交互项的增量建模（Uplift Modeling）

一旦定义了因果结构，作者便采用增量建模来估算条件平均处理效应（CATE）。

• 模型架构： 作者没有使用神经网络或决策树等复杂算法，而是使用了带有交互项的逻辑回归模型。这种选择优先考虑了可解释性。
• 公式化： 模型预测未来购买（$Y$）的对数几率，其函数为基准协变量 ($X$) 和特定于处理组的增量组件 ($S$)。至关重要的是，通过将处理指示变量与时间相关协变量（例如注册的分钟、距离上次购买的时间）相乘来创建交互项。
  $$\ln\left(\frac{y_i}{1-y_i}\right) = \sum_{j \in C} baseline_j x_{ij} + s_i \sum_{j \in C} uplift_j x_{ij} + \epsilon_i$$
• 特征工程： 时间相关特征（小时、分钟、近期性）经过了标准化处理。在入驻案例中，作者指出，对注册分钟进行标准化可以避免周期性不连续问题（例如午夜），因为优惠券不在深夜发放，且延迟在每小时内是一致的。

3. 实验设置

• 内部数据（Mercari）： 对一个用户入驻营销活动进行的分析，其中用户通过每小时一次的批处理作业被随机分配到控制组/实验组。其“自然实验”的特性在于，由于注册分钟的不同，注册与收到优惠券之间的延迟随之变化，而这对于营销人员来说是独立受控的。
• 公开数据（Lenta）： 使用来自俄罗斯一家连锁超市的用户留存营销活动数据集，用以验证该框架的泛化能力和可复现性。

关键结果

用户入驻 (Mercari)

• 统计显著性： 注册分钟数的增量系数被发现是正向且具有统计学意义的 ($p \approx 0.05$)。这表明，与注册较晚的用户相比，在整点附近注册的用户（收到优惠券更及时的用户）具有更高的增量转化率。
• 解读： 账户创建与优惠券交付之间经过的时间显著影响了优惠券的有效性。
• 反事实分析： 模型预测的可视化结果显示，虽然基准转化率随注册时间略有变化，但处理效应（增量）在用户立即收到优惠券时明显更高。这为实施实时分发系统提供了必要的证据，以证明其工程投资的合理性。

用户留存 (Lenta)

• 基准效应： “最近购买时间”的基准系数呈强正相关，证实了近期有购买行为的用户更有可能转化（即“区域”假设）。
• 时间交互： 距离上次购买经过时间的增量系数为弱正相关，但不具备统计学显著性。
• 结论： 与入驻场景不同，在留存场景中，在购买后立即发放优惠券（相对于延迟批处理）并不会带来显著的业务影响。

贡献与意义

本文做出了以下具体贡献：

1. 强调时间的重要性： 它确立了优惠券发放的时间是一个关键的、经常被忽视的变量。
2. 方法论框架： 它提出了一个利用自然随机对照试验和因果推断（特别是 do-calculus 和增量建模）来估算时间因果效应的框架。这使得公司能够在无需预先构建昂贵的实时基础设施的情况下，验证其必要性。
3. 实证验证：
   • 它展示了该框架在内部入驻营销活动中的成功，为实施实时事件触发式优惠券提供了数据驱动的依据。
   • 它通过使用公开数据集（用户留存）验证了框架的泛化能力，展示了该方法能够区分时间是属于关键变量（入驻）还是并非主要杠杆（特定背景下的留存）的情景。
4. 可复现性： 通过应用该方法于公开数据集并发布源代码，作者旨在使研究具有可复现性和易获取性。

局限性

作者承认，其无偏估计的有效性完全取决于因果图的正确性。

• 不可观测的混杂因素： 在入驻案例中，他们假设不存在既影响注册时间又影响转化的不可观测混杂因素（如收入、爱好）。他们认为，控制注册小时数降低了这种风险。
• 数据特异性： 留存结果是针对 Lenta 数据集的；在该数据集中缺乏显著的时间效应并不意味着在所有留存场景下时间都不重要，而是表明该框架可以识别出时间何时不是主要的驱动杠杆。

结论

本文得出结论：通常情况下，越早发放优惠券越好，但收益的大小取决于用户旅程的阶段。对于入驻阶段，批处理造成的延迟会显著降低优惠券的效力。对于留存阶段，购买后的即时窗口可能并不提供同样的边际收益。所提出的框架为企业提供了一条具有成本效益且数据驱动的路径，用以判断是否值得针对其特定的使用场景投资于实时分发基础设施。