在归因分析计算因子贡献度时，加法指标、乘法指标、除法指标由于指标类型的不同，所用的方法也不同，本文总结三种不同类型指标计算因子贡献度的方法，并进行具体的案例分析、公式推导、优缺点分析。

目前精细化运营已经普及到各行各业，如何把营销成本投入到真正被运营策略打动的用户身上，而不浪费在本身就会转化用户身上，是精准营销面临的重要课题，也是提高投入产出比的重要手段，业界成熟的解决方法是Uplift Model。本文主要介绍Uplift Model的应用背景、原理及建模细节、python中如何实现。

在归因分析计算因子贡献度时，加法指标、乘法指标、除法指标由于指标类型的不同，所用的方法也不同，本文总结三种不同类型指标计算因子贡献度的方法，并进行具体的案例分析、公式推导、优缺点分析。

上一篇介绍了DID，本文介绍和DID可一起搭配使用的一种因果推断方法PSM。在正式介绍PSM之前，先来简单回顾一下为什么需要因果推断以及如何做因果推断。我们都知道相关非因果，比起相关我们更希望知道两个事件之间的因果关系，有了确切的因果关系，才能知道对A如何操作才能引起B的变化。解决因果推断问题，目前主要有两种框架，Rubin虚拟事实模型和Pearl因果图模型。站在数据分析的角度上，Rubin虚拟事

在进行数据建模之前，我们一般会进行数据探索和描述性分析，发现数据规律及数据之间的相关性，本文主要从检验方法和可视化图形两个方面对不同数据类型的相关性分析方法进行总结，以加强对数据的了解和认识，为建模打下基础。

在精细化运营场景中，不方便或者不允许进行AB实验时来考察策的效果时，可以用因果推断中的双重差分法（DID）来进行策略效益评估。