在数据分析的众多挑战中，因果关系推断一直是一个复杂且微妙的议题。如何从海量数据中准确识别出影响结果的关键因素？这篇文章分享的四种方法，希望可以帮到大家。

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！”大家都会觉得分析起来很挠头，今天我们系统讲解下。  

一、拆解法

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：昨天有4个推广渠道，一共获客100，今天只获客80，问为啥获客少了。

拆解法做法（如上图）：

1、把总获客数，按四个渠道拆解，发现A渠道获客最少。

得到结论1：因为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-落地页-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。看起来回答得很完美，原因找到了！

可这种答法经不起业务部门再问一句：那为什么A转化差了呢？

我也没改文案呀？

投放经费也没少呀？

前后只差1天，为啥差异这么大？

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（如下图）。

  

二、相关系数法

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）：

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Chat GPT一下：

• 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，应该很科学了吧？这么搞，很容易搞出来统计学领域经典的“龙脉梗”

1. 中国GDP年年涨
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0.99
4. 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。

  

三、趋势分析法

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会引发B，那么A产生了B就该产生，A结束了，B会慢慢结束（或者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。

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。

  

四、控制变量法

想剔除杂糅因素，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：

但是测试手段也有问题：

• 很难找到一模一样的两组人，完全剔除杂糅因素。
• 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。
• 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。
• 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饭的。
• 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，适合即时反馈的+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……

  

五、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。

总之，结合商业场景，具体问题具体分析，才是解决问题之道。