1.简介双11推出某项功能/活动，用户是否可以参与其中，为市场带来交易增长？商家的第一反应很可能是“可以！”。那么，某项活动/功能的上线与市场交易量的增加之间真的存在因果关系吗？如果存在，具体增量是多少？2.分析过程为了判断它们之间的具体关系，可以从5个步骤和2种常用的判断方法来分析。2.1什么原因？从上一篇文章可以看出，某活动/功能是在双十一期间上线的。2.2阐明导致更多交易用户/订单/gmv进入更广阔市场的原因。2.3确认3个要点纯属巧合？不好评论。从趋势上看，活动上线后，同期市场付费人数确实有所增加；但这是大促，即使不做活动，在市场交易的概率也会增加。是否存在同时影响因果关系的第三个变量？参与活动的用户比未参与活动的用户更活跃或更成熟，平台的活跃度和交易的成熟度是决定是否购买的关键因素。所以，还有第三个变量。是否存在反向因果关系？是刺激更多用户下单的活动吗？还是下单概率高的用户更愿意参与这个活动？2.4创造反事实如果双十一期间不推出活动，市场的交易量会不会减少？2.5调整到可比状态显然，如果把大促期间参加活动的人和没有参加活动的人分成两组，因为参加活动的用户更加活跃和成熟，并且不参加活动的用户质量相对较差，这种存在明显的选择偏差导致直接比较不公平，没有可比性。两组数据必须调整到具有可比性的状态，用户的分组要真正体现“随机”的性质。常用的判断方法有两种，包括随机对照试验和双重检查评分。可根据实际背景情况使用。随机对照试验，通常称为AB测试。假设在推广期间采用ab实验，在活动上线时将市场所有用户随机分为两组，一组可以参与活动（干预组），另一组不能参与活动活动（对照组），然后通过观察两组用户在促销期间的交易表现进行对比得出最终结论。双差法适用于没有实际随机控制的场景，比如活动在促销期间全面上线。第三部分将重点介绍该方法的使用。3.双差法3.1基本思想模拟随机分配实验而不进行随机实验。锁定目标用户，模拟实验分组，跟踪不同用户群体在活动介入前后的市场交易表现。前提假设从未订阅/参与过的用户VS订阅/参与过的用户场效应相同，即目标指标的趋势是平行的；在干预期间，没有影响目标值的“其他变化”。图3.2计算逻辑3.3具体步骤3.3.1分组将所有样本数据分为两组，分组逻辑以是否受营销活动影响为准。实验组：受营销活动干预影响，根据影响程度分为“活动销售已激活”影响复购费用，“活动销售未激活->大促新激活”影响激活和费用支出。对照组：不受同一个activity的干预影响，表现为用户“从未激活过”。3.3.2目标选择确定目标观察指标，如市场周转率、户均市场gmv等。3.3.3验证分组的合理性随机抽取平销时段（以10.10为例）的用户，观察10.10-11.11期间不同分组的户均gmv变化趋势是否一致。10.10新开用户和10.11-11.10期间新开用户在10.10附近波动较大，与其他组差异较大，不能作为组进行后续分析。双11从未激活、一直激活、新激活三组用户在10.10-11.10期间变化趋势相同，差异基本稳定。可用于后续分析的分组。3.3.4验证差异并满足假设后，进行二次差异。第一个差值得到干预前后的总差值，第二个差值得到干预的净效果。第一个差异：在干预前后进行两次差异（减法）得到两组之间的差异，代表实验组和对照组在干预前后的相对关系；二次差分：对两组间的差值进行二次差分，消去实验组和对照组原来的差值，最终得到干预的净效果。3.3.5方法总结优点：可以客观地去除场域的影响，剥离营销活动干预带来的市场增量。基本可以解决“大促期间营销活动对市场的影响”。缺点：（1）收益来自于大盘，当多个活动在同一时间段介入时，无法将单一活动的收益区分开来。例如，11月11日，如果新客户同时进行了活动1和活动2，则无法单独评估活动1和活动2的效果。(2)无法涵盖“所有”增量。比如平销期和大促期的新用户表现，中途开通的用户。
