因果推論的商業應用：用Python解鎖科技產業的精準行銷

因果推論的商業應用：用Python解鎖科技產業的精準行銷
Causal Inference in Python

作者： Matheus Facure

譯者：

楊新章

書號： A777

出版日： 2025/05/27

ISBN： 9786264250511

EAN： 9786264250511

紙本書價格： 880

附件：線上下載

電子書：

尚未出版

試讀

博客來

金石堂

天瓏

MOMO

團體購書

回頁首

🎯 資料驅動時代，行銷決策不再靠直覺，你需要的是──科學證據！

・折扣真的能提高銷售？哪些顧客即使不推也會買？
・無法進行 A/B 測試時，還有哪些方法能推論效果？
・在資源有限的情況下，如何讓每一分行銷預算發揮最大效益？

✔把抽象的因果推論方法，運用到科技產業的真實商業問題上。
✔教你如何思考模型背後的假設與挑戰，搭配實例分析，真正「用得出來」。
✔全書以 Python 為實作語言，實務化門檻降低，符合產業主流技術。
✔幫助行銷人、資料分析師、產品經理，解決真實業務問題。

🚩 最真實的國際讀者讚譽
「對數據科學家來說，這本書直接影響我的工作，充滿『恍然大悟』的時刻！」
「唯一一本將因果推論從數學理論到Python實作、聚焦產業應用的書！」
「適合統計、工程與經濟領域專業人士，完美填補實務缺口！」

🚩 來自專家的推薦
「Matheus寫的這本書，教導您如何從簡單的模型進展到適用於真實資料，並解決重要實際問題的先進方法，是該主題迄今的最佳著作。」
——Sean J. Taylor，Motif Analytics首席科學家

「這是一本淺顯易懂的因果推論入門書，聚焦於Python資料分析社群最熟悉的工具和應用場景。」
——Nick Huntington-Klein，經濟學教授、《The Effect: An Introduction to Research Design and Causality》作者

「少數真正符合科技產業實際需求的因果推論書。每一章都處理實際資料中會遇到的問題，並用 Python 從零實作。推薦給任何希望深入理解並實作因果推論的人。」
──D.G. 哥倫比亞大學《工業資料科學》課程講師、Lyft應用科學家

每增加一美元的線上行銷預算，能吸引多少新顧客？哪些消費者只有在收到折扣券時才會購買商品？該如何制定最佳定價策略？因果推論提供了一種高效方法，幫助您準確評估各種影響因素對商業指標的改變，而這一切只需幾行簡潔的Python程式碼即可實現。

在本書中，作者Matheus Facure深入剖析了因果推論在影響力分析與效果估計上的巨大潛力。無論您是管理人員、資料科學家，還是商業分析師，都將在書中學習到一系列經典的因果推論方法，例如 A/B測試、線性迴歸、傾向分數、合成控制法以及雙重差異法（Difference-in-Differences）。此外，作者也帶您探索現代技術的應用，包括如何利用機器學習進行異質性效應估計。每一種方法都配有具體的產業應用範例，幫助您快速上手。

本書將幫助您：
．學習因果推論的基本概念
．將商業問題建構為因果推論問題
．了解偏差會如何干擾因果推論
．認識因果效應如何因人而異
．使用同一顧客在不同行為上的觀察進行因果推論
．在隨機化不可行的情況下，運用地理或切換實驗完成因果分析
．檢視不遵從性偏差和效應減弱

回頁首

Matheus Facure 是一位經濟學家，也是 Nubank（亞洲以外最大的金融科技公司）的資深資料科學家。他成功地將因果推論應用於各種商業情境中，從自動化和即時利率以及信用決策，到交叉銷售郵件和優化行銷預算。他也是Causal Inference for the Brave and True一書的作者。

回頁首

前言

第一部分基礎知識
Chapter 1　因果推論導論
什麼是因果推論？
為什麼要進行因果推論？
機器學習與因果推論
關聯性與因果性
偏差
確定處理效應
關鍵概念

Chapter 2　隨機實驗和統計回顧
透過隨機化實現強制獨立性
A/B 測試的例子
理想實驗
最危險的公式
估計的標準誤差
信賴區間
假設檢定
樣本量計算
關鍵概念

Chapter 3　圖形因果模型
思考因果性
圖形模型速成課程
再探識別
CIA 和調整公式
正向性假設
使用資料的識別範例
混淆偏差
選擇偏差
關鍵概念

第二部分調整偏差
Chapter 4　線性迴歸的不可思議有效性
只需要線性迴歸
迴歸理論
Frisch-Waugh-Lovell 定理與正交化
迴歸作為結果模型
正向性與外插
線性迴歸中的非線性
給初學者的迴歸分析
遺漏變數偏差：從迴歸的角度看混淆
中性控制變數
關鍵概念

Chapter 5　傾向分數
管理培訓的影響
使用迴歸調整
傾向分數
基於設計與基於模型的識別
雙重穩健估計
用於連續處理之廣義傾向分數
關鍵概念

第三部分效應異質性與個人化
Chapter 6　效應異質性
從 ATE 到 CATE
為什麼預測不是答案？
使用迴歸進行 CATE
評估CATE 預測
根據模型分組的效應評估
累積效應
累積增益
目標變換
當預測模型能幫助效應排序時
CATE 在決策中的應用
關鍵概念

Chapter 7　元學習器
用於離散型處理的元學習器
連續型處理的元學習器
關鍵概念

第四部分面板資料
Chapter 8　雙重差分法
面板資料
標準雙重差分法
識別假設
隨時間的效應動態
包含共變數的雙重差分法
雙重穩健雙重差分法
逐步採用
關鍵概念

Chapter 9　合成對照法
線上行銷資料集
矩陣表達法
合成對照作為水平迴歸
標準合成對照
帶有共變數的合成對照
合成對照去偏差
推論
合成雙重差分法
關鍵概念

第五部分替代實驗設計
Chapter 10　地理實驗和交替實驗
地理實驗
合成對照設計
切換實驗
關鍵概念

Chapter 11　不遵從與工具變數
不遵從
擴展潛在結果
工具變數識別假設
第一階段
簡化形式
兩階段最小平方法
標準誤差
額外的控制變數和工具變數
不連續性設計
關鍵概念

Chapter 12　未來的方向
因果發掘
序列決策
因果強化學習
因果預測
領域適應
結語

索引

回頁首

資料視覺化｜使用Python與JavaScript 第二版資料科學家的實用統計學第二版金融AI｜人工智慧的金融應用

回頁首

請選擇所需之附件

範例檔

檔案名稱	下載	檔案名稱	下載
causal-inference-in-python-code-main	下載