python包怎么做双重差分did分析_不能AB实验怎么办？

用增长视角观察行业动态，洞察增长契机。主要会从用户价值、宏观机会、商业模式、数据驱动和营销技巧等五个维度中挑选合适的切入点，来盘点行业动态给用户增长带来的启示。

上图是我所理解的用户增长全局(姑且称“冰山图”)，大众视野能看到的是各种营销策略，而在冰山之下，需要以用户价值为基础，需要对宏观机会和商业模式产生洞察找到切入点，再依靠数据驱动去更科学、更有效的落地增长策略。

本篇从数据驱动视角，针对用户增长领域一个常见的难题整理了一些已有研究和个人想法——不能做AB实验的时候，怎么评估效果？内容主要针对产品经理、产品运营，不涉及具体的技术实现，旨在抛砖引玉。文中难免有不当之处，期待随时交流。

我们知道，很多时候会因为成本问题、时间问题无法进行完备的实验，该如何尽可能准确评估某个增长策略的效果呢？

先说说自然实验。自然实验(Natural Experiments)实际上是一种观察性实验，不对任何用户进行干预，仅通过观察“随机”分组样本的实验结果，进行比较得出结论。请注意这里的“随机”无法像随机对照实验那样通过hash算法实现，而是基于经验选择两个接近相似的群体。比如经常需要评估一个紧急上线功能的效果，自然实验中的一组是使用某功能的用户，另一组是不使用某功能的用户。下面介绍的因果推断、双重差分就属于自