促销处理效应估计—响应人群分层—增量毛利触达法

开源组件成熟且适合自动化训练评估，但因果识别、隐私权限和预算扩张必须设置人工门禁。

Agent应包含数据泄漏检查、共同支持诊断、模型对比、利润重排和公平性检查；执行层只生成匿名人群包及小流量测试申请。

CausalML提供uplift tree、meta-learner、倾向得分和处理效应评估等可执行组件。迁移到淘宝、拼多多时，可把优惠券、店铺触达或广告曝光定义为处理变量，以支付、复购或贡献毛利为结果，但必须基于用户授权、平台允许的数据和可审计的历史活动记录。

输出格式：人群级策略表：匿名ID、预测增量、置信度、增量毛利、推荐动作、频控、排除原因和模型版本

执行示例：使用一次历史随机优惠活动训练模型，把用户分为正向增量、自然购买、无响应和负向增量四组；仅对正向增量组进行5%流量复验。当扣除券成本后的增量毛利为正且Qini排序在留出集稳定时，才提交扩大测试。