从相关性走向因果性：精准驱动每一分营销预算。
在当前的互联网存量竞争时代，简单的销量预测已无法满足精细化运营的需求。各大厂（字节跳动、美团、阿里、滴滴）的面试官越来越关注候选人对 因果推断 (Causal Inference) 的理解。
核心痛点：
- “销量增加是因为发了券，还是这些用户本来就会买？”
- “如何识别出那些只有发了券才会转化的‘真增量’用户？”
CausalMarketing AI 旨在通过 Uplift Modeling、PSM 等算法，结合 Gemini 3 的大模型分析能力，提供一套从数据归因到策略优化的全链路解决方案。
基于因果推断的四象限法则，将用户精准分类：
- Persuadables (说服型): 只有干预才转化。这是营销预算应该 唯一聚焦 的群体。
- Sure Things (自然转化型): 不干预也会买。对该群体发券会导致严重的预算浪费。
- Lost Causes (无论如何不买): 营销投入无效。
- Sleeping Dogs (勿扰型): 干预反而会导致负面效果（如反感退订）。
在非随机实验（观察性数据）中模拟 A/B Test。
- 交互式可视化: 实时展示干预组（Treatment）与对照组（Control）在匹配前后的分布情况。
- 参数调优: 支持 Caliper（卡钳值）、Kernel（核函数）和 Bandwidth（带宽）的动态调整，平衡 Bias 与 Sample Loss。
集成 Google Gemini 3，自动分析复杂的因果模型输出：
- 生成 “真实增量效应 (True Incremental Effect)” 报告。
- 提供针对 ROI 最大化的个性化营销建议。
专为 DS/DA/MLE 岗位设计：
- 深度解析 S-Learner, T-Learner, X-Learner, DR-Learner 等进阶算法。
- 提供阿里、美团、字节等大厂面试中的因果推断高频考点。
- Frontend: React 19, Tailwind CSS (现代、响应式 UI)
- Visualization: Recharts (交互式因果效应分析图表)
- AI Core: @google/genai (Gemini 3 Flash - 策略合成与算法解释)
- Methodology: Causal Inference (HTE, PSM, Uplift Modeling)
| 传统归因 (Correlation) | 场景 | 因果归因 (Causal) |
|---|---|---|
| 计算所有领券用户的转化 | ROI 计算 | 只计算由券带来的 增量转化 |
| 全量投放以维持 GMV | 策略部署 | 剔除自然转化型，节省 20%~40% 成本 |
| 无法解释用户动机 | 用户洞察 | 识别不同人群对策略的敏感度 |
-
配置 API Key: 确保环境中配置了
process.env.API_KEY以启用 Gemini AI 智能分析功能。 -
本地启动:
npm install npm run dev
-
进入 Dashboard: 查看 Incremental GMV (增量 GMV) 趋势，这是衡量营销部门真实贡献的核心指标。
平台采用 Slate & Blue 的极简工业风设计，强调数据的“确定性”与“科技感”：
- 高对比度图表: 清晰区分干预效应。
- 卡片式布局: 模块化展示复杂的统计学指标。
- 实时响应: 匹配过程全动效反馈。
如果你对因果推断在营销场景的应用有更深度的见解，欢迎提交 PR。
“数据驱动业务，因果赋能增长。”
