购买率上涨15%，红包到底贡献了多少？

你想验证10元红包能不能提高购买率，于是从过去30天没有购买的新用户中抽取一批样本，随机分成两组：一组收到红包，另一组不发红包。两组人数相近，活动前的购买率都是20%。

7天后，发红包组的购买率升到35%，没有发红包的对照组升到32%。

如果只看发红包组的前后数据，你很容易在周报里写下：

红包策略有效，购买率提高了15个百分点。

可对照组同期也提高了12个百分点。平台增加流量、市场需求回暖，以及其他同时进行的活动，都可能推动两组用户的购买率上涨。

如果随机分组、活动执行和数据记录没有明显问题，那么两组最终相差的3个百分点，可以作为红包对这批用户平均效果的一个估计。

这里的"估计"很重要。3个百分点仍可能受到随机波动影响；换一批用户、换一个时间，或者改变红包金额和使用规则，效果都可能不同。

不过，这个估计至少比"发红包后上涨15个百分点，所以红包贡献了15个百分点"更接近我们真正要回答的问题：

相比另一种明确方案，这次行动让结果多改变了多少？

这就是反事实因果模型要解决的问题。

它不只是泛泛地提醒我们"相关不等于因果"，而是把因果判断改写成一个可以检查的问题：

如果采用另一种方案，结果会相差多少？

为什么行动前后的变化，不能直接算作行动的效果？

反事实因果模型，是一套判断行动是否真正造成结果变化的思维工具。

它的一句话定义是：

反事实因果模型，是通过比较同一目标对象在两种明确方案下可能出现的结果，判断一项行动究竟造成了多大改变。

所谓"反事实"，就是现实中没有发生，却必须为了判断因果而估计的那条路径。

一个用户已经收到了红包，我们可以看到他收到红包以后是否购买；但要判断红包有没有作用，还必须追问：同一个用户如果没有收到红包，本来会不会购买？

一家门店已经完成整改，我们能看到整改后的销售额；但要判断整改贡献了多少，还必须估计：这家门店如果没有整改，本来会做到多少？

因此，反事实因果模型处理的不是"做完以后，结果变了多少"，而是"采用方案A与采用方案B，结果会相差多少"。

它最简单的公式是：

因果效果＝采用方案A时的结果－采用方案B时的结果

写成符号就是：

其中，Y(A)表示采用方案A时可能出现的结果，Y(B)表示采用方案B时可能出现的结果。

在红包案例中，方案A是发10元红包，方案B是不发红包，观察指标是未来7天的购买率。如果两组由随机分组产生，而且实验执行没有明显问题，那么可以用两组的平均结果估计红包的平均效果：

这并不是说，红包的真实效果永远等于3个百分点。更准确的说法是：

在这批用户、这套红包规则和这段观察时间内，现有数据给出的平均效果估计是3个百分点。

模型的难点不在公式有多复杂，而在比较对象有没有选对。

大多数人的因果判断，用的却是另一个看似自然的公式：

做之前80分，做之后90分，所以这次行动带来了10分提升。

换负责人以后业绩上升，于是认为换人有效；参加培训以后成绩提高，于是认为培训有效；整改门店以后销售额增长，于是认为整改有效。

这些判断不一定错误，但仅凭"行动发生在前，结果变化在后"，还不足以完成归因。你比较的是同一个对象的过去和现在，而不是同一时间窗口内，两种不同方案可能带来的结果。

从行动前到行动后，季节、市场、用户和竞争环境都在变化，自然波动、回归均值以及其他同期措施，也可能改变结果。一次前后变化，通常是多种力量共同作用的结果：

前后变化＝行动可能带来的效果＋环境变化＋自然波动＋其他同期因素

这不是用来精确计算的统计公式，而是在提醒你：观察到的变化里，往往混着不止一种力量。

如果把这段时间里的全部变化都记在某项行动头上，就可能把外部环境带来的改善算成行动的功劳，也可能把环境造成的下滑归咎于某项行动或某个人。

行动发生在结果之前，是因果关系成立的必要条件，却不是充分证据。

有些场景中的前后变化，确实能够提供较强的因果线索。例如设备出现明确故障，关闭某个开关后故障立刻消失，而且作用机制清楚、其他解释很少。变化越及时，机制越明确，其他解释越少，这条线索就越接近证据。

但营销、管理、教育、政策和健康等复杂问题，往往同时受到多种力量影响。在这些场景中，真正需要比较的不是行动前后，而是方案A与方案B。

方案B也未必是什么都不做。它可以是不发红包、发5元红包、发积分、继续使用旧方案，也可以是采用另一套培训方法。

发10元红包比不发红包有效，不代表它比发5元红包更划算；新方案比维持原状有效，也不代表它优于另一套方案。参照方案改变，因果问题也会随之改变。

因此，一个完整的因果问题至少要说明六件事：

1. 对谁：目标人群或对象是谁；

2. 做什么：行动的具体版本是什么；

3. 跟什么比：参照方案是什么；

4. 看什么结果：观察哪个指标；

5. 看多久：在哪个时间窗口内衡量；

6. 估计谁的效果：全部目标对象，还是其中某一类对象。

不要只问：

红包有没有用？

更完整的问法是：

对过去30天没有购买的新用户，发放一张7天有效、满50元可用的10元红包，相比不发红包，是否会提高未来7天的平均购买率？

行动本身也必须说清楚。无门槛红包和满50元可用的红包，不是同一种行动；当天到期和7天到期，不是同一种行动；只发券和发券后连续提醒，也不能被视为同一个方案。

如果行动本身含糊不清，就不存在一个稳定、明确的因果效果。

再看一个门店案例。

假设一家门店整改前的月销售额是80万元，整改后达到100万元。表面看，整改带来了20万元增长，但这20万元只是整改前后的变化，并不等于整改本身的效果。

如果没有整改，门店因为旺季到来，本来也能做到95万元，那么整改带来的增量只有5万元；如果不整改，门店原本会继续跌到70万元，那么整改带来的效果就是30万元。

95万元和70万元都不是对这家门店真实情况的预测，只是用来说明：

整改贡献了多少，取决于这家门店不整改时本来会做到多少。

我们看得到整改后的100万元，却看不到"不整改时本来会怎样"。这条看不见的路径，才是因果判断真正缺少的东西。

那条我们没有走的路，应该怎样估计？

Two roads diverged in a yellow wood,
And sorry I could not travel both.

金黄的树林里分出两条路，可惜我不能同时走过两条。

弗罗斯特在《未选择的路》中写下的，是人生选择中一个无法摆脱的事实：我们一旦走上其中一条路，就不可能在相同的时间、以相同的自己，再去完整经历另一条路。

因果判断面对的也是同一个难题。

一个用户收到了红包，我们就看不到他在同一周没有收到红包时会不会购买；一家门店完成了整改，我们也无法同时观察它保持原状时的销售额。现实只会留下其中一个结果，另一条路径不会发生，更不会自动变成一组可以读取的数据。

反事实因果模型真正困难的地方，就在这里：

同一个对象在同一时间，只能经历一种方案。

按照前面的公式，我们想比较的是：

可现实中，我们只能观察到其中一项。

用户收到了红包，我们就看不到他在同一时间没有收到红包时的结果；用户没有收到红包，我们也无法知道他如果收到红包会怎样。

这不是数据不足，也不是算力不够，而是因果问题本身的结构决定的。我们永远无法让同一个人在完全相同的条件下，把两条路都走一遍，再回头比较哪条路带来的结果更好。

因此，需要区分个体因果效应和平均因果效应。

个体因果效应，是同一个具体对象在两种方案下可能出现的结果之差。这个问题可以提出，却通常无法直接回答，因为我们只能看到这个对象实际走过的一条路。

平均因果效应，则是比较同一类对象在两种方案下的平均结果。现实中的随机实验和多数因果研究，通常能够回答的是：

这项措施对这类人，平均有多大作用？

它无法保证，这项措施会对每个人产生完全相同的作用。

红包使购买率平均提高3个百分点，并不意味着每个用户的购买概率都提高了3个百分点。有些用户可能因为红包而购买，有些用户完全不受影响，还有一些用户即使没有红包也会购买。

平均有效，不等于对每个人都有效。

我们无法直接观察那条没有走的路，只能寻找一批现实中的对象，借助他们的结果去估计它。问题随之而来：既然看不到同一个对象的另一条路径，我们能不能找一个没有接受行动的人来代替？

可以，但不能随便找。

因为真正困难的，从来不是找到一个"没有走这条路的人"，而是判断：

有了对照组，为什么仍然可能算错效果？

一个自然的想法是：

找一个没有接受行动的人作为对照，不就可以了吗？

问题在于，没有接受行动的人，未必能代表接受行动的人在没有接受行动时会怎样。

主动报名培训的人，可能本来就更积极；收到优惠券的人，可能原本就是高活跃用户；被重点扶持的门店，也可能本来就拥有更好的团队。

如果两组人在行动发生前就存在会影响结果的重要差异，那么行动后的差距里，会同时混着两部分内容：一部分来自行动本身，另一部分来自两组原来就不一样。

所以，关键不只是有没有对照，而是：

为什么这个对照能够代表接受行动的人，在没有接受行动时会得到什么结果？

说得直接一点，就是要证明：这个比较为什么有资格回答因果问题。

年龄、地区和历史购买率看起来相近，并不能自动证明两组可以比较。还可能存在一些没有被记录的因素，同时影响谁接受行动以及最终结果。

对照是否可信，不能只靠"看起来差不多"，而要看对象是怎样分组的，行动是怎样执行的，以及结论依赖哪些条件。

在因果推断中，这一步通常被称为"识别"。专业术语听起来有些复杂，它真正追问的只有一句话：

现实中的这个对照，凭什么能够代替那条没有发生的路径？

对照不可信，后面的计算再精确，也只是把一个错误的比较算得更漂亮。

一个孩子提高了12分，补习班该拿多少功劳？

假设一个孩子参加补习班后，数学成绩从70分提高到82分。家长很容易得出结论：

补习班让孩子提高了12分。

但同一时期，班里其他孩子因为期末集中复习和课程推进，数学成绩平均提高了8分。即使这个孩子没有参加补习班，他的成绩也可能随着班级整体进度自然提高。

如果参加补习的孩子与其他同学在原有成绩、学习能力、进步趋势和家庭投入上比较接近，那么多出来的4分，可以作为补习班增量效果的一个初步估计。

但这个前提未必成立。

参加补习班的孩子可能本来就有更强的学习动力；愿意报名的家长可能同时加强了监督；不同孩子的基础水平和自然进步速度，也可能存在明显差异。

因此，班级平均提高8分，并不能自动证明，这个孩子不参加补习班时也一定会提高8分。那4分可以作为一条线索，却不能直接认定为补习班的确定贡献。

这个案例要说明的，不是"补习班只贡献了4分"，而是：

观察到的变化，不等于行动造成的增量；有了对照，也不等于找到了可信的反事实。

反事实检查不是为了否认补习班的作用，而是把三件事分开：孩子的成绩实际提高了12分；在参照可信的前提下，补习班可能带来额外增量；学习动力、家庭监督和基础差异等其他原因，目前仍未被完全排除。

所以，判断对照是否有用，不能只看对方"有没有参加补习班"，还要继续追问：

如果两个人接受同一种方案，他们原本会不会得到相近的结果？

只有这个问题能够得到较可信的回答，对照才有资格代表那条没有发生的路径。

什么样的对照，才有资格代表另一条路？

我们无法直接看见反事实，只能借助不同的比较方式，尽量逼近那条没有发生的路径。

为什么随机分组更接近公平比较？

随机对照试验的基本思路，是把符合条件的对象随机分进不同组：一组接受行动，另一组接受参照方案。

随机化并不能保证有限样本中的两组在每个方面完全相同，但它能让谁进入哪一组，不再由活跃度、购买意愿、管理者判断或其他原有特征决定。

当随机过程、行动执行和数据记录没有明显问题时，两组结果的差异，就更有理由被解释为行动造成的平均效果。随机对照试验也因此被广泛用于药物、教育和政策评估。

但随机实验不是贴上标签就自动可信。样本太少、分组被破坏、对照组受到行动影响、参与者没有按方案执行，或者观察时间太短，都会削弱结论。

更重要的是，很多现实问题根本没有条件做严格实验。项目已经结束，没有提前预留对照组；所有区域同时上线新政策；老板第二天就要结果——这些才是职场中的常态。

此时并非完全不能分析，只是必须降低结论强度，并尽量寻找次优参照。

分批上线为什么不自动等于可信实验？

如果一项措施最终要覆盖所有对象，可以先实施一部分，再逐步扩大。暂时没有接受行动的对象，可以作为同期参照。

但如果第一批上线的恰好都是表现最好、意愿最强或资源最多的对象，那么批次差异里仍然会混入原有差别。

因此，分批实施最好随机安排顺序；做不到时，也要说明不同批次为什么可以比较。

分批上线提供的是一个可能的对照，不是自动成立的因果证据。

两组看起来相似，为什么仍可能不可比？

无法随机时，可以寻找客群、历史表现、环境和发展趋势都比较接近，却没有接受行动的对象。

这种方法的难点，不在于表面上匹配了多少指标，而在于是否遗漏了同时影响行动分配和最终结果的重要因素。

统计调整能够处理已经记录的差异，却不能自动消除没有记录的差异。两组年龄、地区和历史业绩相近，也不代表它们在动机、资源、执行能力和未来趋势上同样接近。

表面相似，只能提高比较的可信度，不能保证反事实已经被准确还原。

只有前后数据，结论最多能说到哪里？

如果缺少同期对照，有时只能参考过去的变化趋势。但这种比较暗含了一个条件：

如果没有采取行动，原来的趋势仍会继续。

市场拐点、季节变化、竞争对手调整和政策变化，都可能使这个条件失效。

因此，只有前后数据时，最稳妥的说法通常不是"证明有效"，而是：

行动之后结果发生了变化，但目前还不能排除时间趋势和其他同期因素。

我们可以报告变化，却不能自动把全部变化归到行动头上。

不能做随机实验，因果就永远无法判断吗？

吸烟与肺癌就是一个典型例子。

医学界不可能随机安排一批人长期吸烟，只能长期跟踪吸烟者和不吸烟者，观察他们的患病情况，再排查其他可能原因。

仅仅发现吸烟者更容易患肺癌，还不足以立刻证明吸烟导致肺癌。研究者还需要检查：吸烟是否发生在患病之前；这种结果能否在不同人群和研究中重复出现；吸烟越多、时间越长，风险是否越高；生物机制能否解释吸烟为什么会增加风险。

英国流行病学家奥斯汀·布拉德福德·希尔曾把这类判断归纳为一组因果准则。对普通读者来说，可以压缩成一句话：

原因要先于结果，关系要能重复；行动越强，效果也随之变化；同时还要有合理机制，并排查更有解释力的其他原因。

这些线索不能替代严格对照，也不是满足几条就自动证明因果。它们只是帮助我们判断：一个解释究竟只是听起来合理，还是已经积累了多种相互支持的证据。

单独一条证据往往很脆弱。不同方法、不同样本和不同场景得出相近结论，因果判断才会逐渐站稳。

从项目设计到工作汇报，怎样完成一次反事实检查？

反事实因果模型不只适合事后复盘，更应该在项目开始前介入。

项目还没开始，怎样先留下判断效果的条件？

活动还没上线时，就要先问清楚：方案A和方案B分别是什么，哪些用户进入哪一组，是否可以随机或分批实施，用什么指标衡量，观察多长时间，以及达到什么标准才扩大投入。

很多项目最后无法判断效果，并不是因为方案一定无效，而是从一开始就没有留下判断效果的条件。

项目开始前设计好参照，比项目结束后用更多表格解释结果更重要。

项目已经结束，没有对照组还能怎么复盘？

如果项目已经结束，却没有预留对照组，就要完成三个动作：寻找最接近的同期对象、区域或历史阶段；列出季节、市场、渠道变化和其他同期措施；根据证据质量降低结论强度。

没有可信对照时，可以说：

活动上线后转化率提高15个百分点，但由于同期环境发生变化，目前无法确认全部增量由活动造成。

而不应直接写：

活动带动转化率提升15个百分点。

两句话看起来只差几个字，承担的证据责任却完全不同。

数据变了、行动有效、值得推广，是同一件事吗？

一次完整的业务汇报，至少要区分三个问题：

1. 发生了什么变化；

2. 有多少变化可能由这项行动造成；

3. 这个效果是否值得继续投入。

红包让购买率提高，不代表一定值得推广。还要看新增毛利能否覆盖红包成本，是否只是提前了原本会发生的购买，会不会损害长期复购和价格认知。

因果效果回答的是"有没有改变"，业务决策还要回答"这种改变值不值得"。

因果结果是决策的输入，不是决策本身。

从看到变化到判断因果，要走哪四步？

第一步：把问题写完整

用一句话说明：

对哪类对象，行动A相对行动B，在多长时间内，对哪个结果产生了多大平均影响？

目标人群、行动版本、参照方案、结果指标和时间窗口，都必须明确。

第二步：检查谁为什么接受了行动

随机分配、主动报名、管理者挑选和算法筛选，会形成完全不同的证据条件。

如果接受行动的人本来就更积极、更有资源或更容易成功，就不能把两组最后的全部差距算成行动效果。这一步就是在做前面说的"识别"——检查你的对照有没有资格代表那条没有发生的路径。

第三步：寻找参照，列出其他解释

能够随机时，优先随机；不能随机时，可以使用分批实施、可比对象、同期对照或历史趋势。

同时要检查：即使不采取行动，结果是否也会自然变化；同期是否发生了其他活动；两组此前的发展趋势是否不同；结果是否可能受到回归均值和随机波动影响。

第四步：让结论强度匹配证据

随机实验设计合理、执行良好，而且结果比较稳定时，可以说：

在本次目标人群和行动条件下，现有证据支持这项行动产生了平均因果效果。

如果只有部分可比数据，可以说：

结果与因果解释一致，但仍可能受到其他因素影响。

如果只有行动前后的变化，只能说：

行动之后结果发生了变化，但目前无法确认变化由该行动造成。

如果参照明显不可比，则应直接承认：

现有比较无法支持因果结论，需要重新设计验证方式。

不知道，不代表行动一定没有效果；它只意味着，现有证据还不足以把结果归到这项行动上。

周报里怎样写，才不会把变化直接写成因果？

当你需要汇报活动、培训、流程调整或管理措施的效果时，可以直接套用下面这段结构：

例如：

这类表达没有"效果显著""策略成功"那么兴奋，却更接近一份能够承担决策责任的结论。

有了因果效果，为什么仍不能直接决定推广？

即使一项行动确实产生了平均效果，也要防止两种误解。

第一，平均效果不能代表每个人。红包平均提高3个百分点，可能意味着一部分用户明显受到影响，大部分用户没有变化；也可能意味着不同人群的效果方向相反。

第二，产生因果效果，不等于值得采取行动。一项培训可能提高测试成绩，却没有改善真实工作表现；一个新流程可能提高速度，却同时增加风险；一项促销可能提高短期购买率，却降低长期利润。

这个模型提高的是因果判断质量，不会替你完成全部决策。

什么时候可以暂时相信，什么时候必须改口？

反事实检查不是为了消除全部不确定性。现实中不可能等到所有其他解释都被彻底排除。

当证据强度已经与决策代价相匹配，主要的其他解释得到检查，或被明确列为剩余风险，而且继续收集信息不太可能改变当前选择时，就可以采取行动。

低风险、可逆的小尝试，可以采用较低门槛；高成本、不可逆的决策，则需要更强的对照和更长的观察。

停止分析不等于结论永久正确，只表示：

在当前信息、时间和成本条件下，这已经是足以支持行动的最好判断。

新样本得出不同结果，行动版本或目标人群发生变化，市场环境改变，实验执行出现偏差，或者长期效果与短期效果不一致时，都需要重新调用模型。

一个真正可用的思维工具，不只帮助你得出结论，还要提前规定：

下次准备邀功或追责前，先问哪两个问题？

因果是人类理解和干预世界的基本工具。没有因果，我们不知道应该做什么，也无法从行动中学习。

但因果关系不会直接写在事实表面。

哲学家休谟曾经追问：我们看到的只是两件事反复先后出现，凭什么断定前一件事造成了后一件事？随机实验、可比对照和各种统计方法，都是在这个难题之上，努力让因果判断变得更可靠。

再好的方法，也不能让同一个对象同时走过两条路。研究设计有条件，数据有误差，结论有适用范围，现实还会变化。

因果判断最容易掉进两个极端：既然无法绝对证明，就什么都不相信；只要观察到变化，就急着宣布找到了原因。

前者让人无法行动，后者让人把偶然当成规律。更稳妥的态度是：

不能不信，也不能全信。

证据弱时保留判断，证据强时采取行动，条件改变时及时更新。

最后回到开头那批红包。

随机分组后，发红包组的购买率达到35%，不发红包组达到32%。

15个百分点，是发红包组行动前后的变化；3个百分点，是两组行动后平均结果的差异。在随机分组、执行良好且样本包含足够信息的前提下，这3个百分点可以作为红包对这批目标用户平均效果的估计。

但它仍然不是一个脱离条件、适用于所有人和所有场景的固定答案。你还要继续追问：这个差异是否稳定，适用于哪些用户；换一种红包规则后是否仍然成立；增量收益能否覆盖成本；扩大投放会不会改变效果。

结果发生在行动之后，只能让你提出一个因果问题。要开始回答它，还需要明确的参照方案、可信的比较设计，以及与证据相称的结论。

下次当你因为结果变好而准备邀功，或者因为结果变差而准备追责时，不要只问"做完以后发生了什么"，还要继续追问：

如果采用另一种方案，结果可能怎样？
我现在用什么证据，估计那条没有发生的路径？

如果第二个问题答不上来，你看到的可能只是变化，还不是已经得到证明的因果效果。