随着网络购物和电子支付的发展,电子优惠券成为了网络消费中常用的优惠手段。不论是新冠疫情期间银行和电子商务平台合作推出的“消费券”,还是每年“双十一”各大电商平台的“满减券”,都极大的带动了消费,对社会经济的发展和平台盈利有着重要的作用。本文则是在这样的背景下,研究优惠券精准发放的方法。不同于目前常用的优惠券使用概率预测,本文从因果推断方法入手,希望解决优惠券精准发放中的痛点——极易命中自然转化的人群,无法将自然转化和受到优惠券刺激而产生转化的人群区分开来。本文基于AB实验数据展开研究,主要目标是预测样本的个体处理效应或者拆分人群使得人群的条件处理效应最大。为了达到这样的目标,本文使用了元学习、基于树模型的因果推断、基于机器学习的因果推断等模型。针对业界可能碰到的单策略人群选择和多策略人群选择两种情况,本文分别做了单干预因果推断和多干预因果推断。在单干预因果推断场景中,本文提出根据业务经验引入用户活跃度或者用户价值作为模型特征。活跃度或用户价值的计算方式是依据关键特征对用户做聚类,将用户类别活跃度或用户价值标签。此外,根据特征的含义对特征做交叉项,使得模型更具有解释意义。接着应用元学习、基于树模型的因果推断、基于机器学习的因果推断等模型输出人群策略。在多干预因果推断场景中,本文对每个实验组建立单干预因果推断模型,得到样本在不同实验组的处理效应估计,再将样本分配到处理效应为正且最大的策略中去。由于该场景下单干预因果推断模型的评估指标不再适用,本文提出了以随机分配的转化和表现最优的实验组的转化为基线的模型评估方法。在实证研究中,本文选取了某优惠券策略的AB实验数据,数据包含一个对照组和两个实验组,分别为无优惠策略、买一赠一券、折扣券。首先,本文对数据做了因果性分析,依据业务经验将用户拆分成不同的亚组,通过亚组分析检验实验组用户的表现是否显著优于对照组用户。通过比例检验,发现实验组确实存在转化率提升不显著的用户群体。在模型变量的选择中,本文引入了基于用户历史消费行为聚类的用户价值类别,并对特征做离散变量间的交叉项以及连续变量和离散变量间的交叉项。接着,本文以无优惠策略组和买一赠一券组为例,进行了单干预因果推断模型的建立,发现元学习中的R-learner、基于KL散度的树模型和基于极端梯度提升树的双机器学习模型效果比较好。此外,对比因果推断模型业界常用的概率预测模型,因果推断能够更好的区分营销敏感人群,实现成本发放效率的提升。最后,本文对数据集做了多干预因果推断模型的建立,并应用本文提出的模型评估指标进行模型评价,发现元学习的效果优于基于树模型的因果推断和基于机器学习的因果推断,其中R-learner的效果更好。综上,本文得到以下三个结论:第一,用因果推断模型来做敏感人群的圈选、实现优惠券的精准发放是行之有效的。相比于业界常用的优惠券使用概率预测模型,该方法能够通过预估个体处理效应更好的区分自然转化的人群和收到优惠券激励而转化的人群;相比于亚组分析,该方法能够适应更多特征的场景。第二,将一些业务经验带入变量选择中是有利于模型建立的,比如依据用户的历史行为做活跃度或用户价值的划分。这些依据业务经验建立的变量,在模型的特征中重要度排名靠前。第三,在多干预的因果推断场景下,本文提出的模型评价方法,通过计算随机分配、选择表现最优的实验组及各模型策略的转化,不仅能够实现模型间的效果对比,更能实现模型效果与业界常用方法的效果对比,有助于更好的判断模型策略的可用性和实用性。