促销资格建模—反事实增量估计—优惠浪费拦截法

能够把优惠分配从相关性转为增量决策，利润价值高；工作流可编码，但实验设计、混杂诊断和敏感人群规则必须由负责人审批。

建立促销增量Agent，自动检查样本、时间泄漏、重叠性和利润阈值，输出名单而不直接投放；若没有随机对照或诊断不通过，自动降级为描述性分析并标记needs_review。

CausalML提供倾向评分、元学习器、Uplift模型、处理效应估计和评估示例。来源贡献的可执行步骤包括处理组与对照组定义、协变量准备、个体处理效应估计、Uplift排序及模型评估。迁移至淘宝、拼多多时，处理变量应映射为优惠券、广告触达或活动邀请，结果变量应改为广告与优惠成本后的贡献利润。

输出格式：人群或SKU级促销决策表，包含处理效应、置信区间、预期增量收入、增量成本、增量贡献利润、推荐优惠及拒绝原因。

执行示例：针对一轮拼多多店铺券活动随机保留10%合格用户不发券。模型识别出一组预计增量转化4%、增量贡献利润为正的人群，并排除原本高购买概率但优惠增量接近零的用户；下一轮仅向前者发券并继续保留对照。