因果论在游戏场景中的应用

看到几篇关于因果推断的文章，觉得很受启发，结合游戏业务谈一谈相关的体会。

腾讯郭棋林：实验数据难获取？挑战观测数据上的因果推断！ - 知乎

https://cloud.tencent.com/developer/news/705938 Uplift-Model在贝壳业务场景中的实践

游戏场景中做数据分析时会经常遇到文中提到的情况，比如要分析对局情况对于玩家留存的影响，做了一番数据调研后发现败的越多反而导致玩家玩的次数越多，当然潜在原因有很多，可能是激发了玩家的好胜心，也可能是败的比较多的玩家本来就是会玩的比较多，只是相关性而非因果性。

同样的情况还可以发生在其他场景，比如推送道具和玩家付费的关系，是因为推送了道具导致玩家付费提升，还是说付费玩家本来就会买这个道具？理论上来说，要弄清因果关系并不难，线上科学的进行A/B test就好了，但是现实中部分场景是不允许线上A/B test的，这时候最理想的情况就是挑出两组玩家，这两组玩家的初始时刻t1的特征分布完全一致，但是A组玩家之后遭遇了连败，B组玩家之后没有遭遇连败，然后看在t2时刻的玩家留存，这样就可以直观的得出结论。

但是每个玩家都是不同的个体，游戏内的特征维度可以成千上万，要手动挑出两批在各个维度且统计意义上分布一致的玩家难度很大，上文中的办法通过另设观察指标巧妙的避开了数据的原始分布不均匀的影响，此外还有名为倾向性评分的办法可以帮助挑选出更加均匀的分组。拿到统计意义上的均匀分布后，我们就可以观察变量对观测结果的影响了。

上面这些和数据分析关联性比较大，接下来说到建模，传统机器学习方法多是基于相关性层面建模，最近也在实践一些在因果层面建模的方案，比如uplift模型在付费场景的增益，以及在留存指标上的增益等等，等后续有结论了再来更新~