往期系列原创文章集锦：

数据分析36计(12)：做不了AB测试，如何量化评估营销、产品改版等对业务的效果

数据分析36计(11)：如何用贝叶斯概率准确提供业务方营销转化率

数据分析36计(十)：Facebook开源时间序列预测算法 Prophet

数据分析36计(九)：倾向得分匹配法(PSM)量化评估效果分析

数据运营36计(八)：断点回归(RDD)评估产品设计效果

数据分析36计(七)：营销增益模型(uplift model)如何识别营销敏感用户群-Python

数据运营36计(六)：BG/NBD概率模型预测用户生命周期LTV-Python

数据运营36计(五)：马尔可夫链对营销渠道归因建模，R语言实现

数据运营36计(四)：互联网广告渠道归因分析之Sharply Value

数据运营36计(三)：熵权法如何确定指标权重构建评价体系

数据运营36计(二)：如何用合成控制法判断策略实施效果

数据运营36计(一)：生存分析与用户行为如何联系起来

1. 背景

中介模型，来源于学术研究中的统计方法，主要用来研究个体心理变量，从外界刺激引起用户心理反映后，最后影响用户决策。中介模型比因果推断更准确的探究变量间的因果关系，利用这种分析，我们探索产品优化的思路，并清晰用户对产品优化的反应。

大多数我们都在直接把描述性的统计结果直接反馈给产品，比如统计每个用户的浏览次数和转化情况，针对下图得出结论：

• 用户在浏览次数等于4时，用户转化概率在50%；

• 用户在浏览次数大于7时，用户转化概率至少在80%；

• 因此，可通过提高用户的浏览次数，来提高用户转化概率。

产品在接收到这个信息后，直接提出要在产品内增加页面曝光次数，但最终转化率指标并未提升，反而增加了app的卸载率。上面结论的问题在于，忽略了这里只是在陈述浏览次数和转化率的相关关系，且浏览次数为用户的主动行为，强行增加曝光不一定会提升指标。那么这里需要探究浏览次数和是否转化的用户中间心理过程，来告诉我们这个数据表象上真正的原因。同时这个心理过程的变化有多大的作用，是否值得在方向上做产品优化。比如这里的中介变量是因为用户在每多浏览一次，增加了用户对产品的熟悉度，从而更容易接受产品做了产品够买决策，且产品熟悉度这个心理因素占据了购买决策的30%，那么产品优化方向为快速增加用户对产品的熟悉度，比如在产品详情页上做优化。

2. 中介模型的应用场景

那么中介模型可以用来探究这个中介变量或者说心理因素是什么，并且确定作用的大小（比如上面的30%）。中介模型探究了因果推断中干预事件与结果变量之间的黑盒子，揭示了潜在的机制，即为什么会发生这样的现象和反应。虽然这种方法在学术研究中被广泛使用，但在商业中却没有得到充分利用。中介模型让我们以经验检验(而不是逻辑推断)两个变量之间的因果路径。更重要的是，了解这些机制能让我们更快更有效地开发出更好的产品，因为它能帮助我们查明这些变化的哪些特征是导致产品成功的原因。

这里为 Uber 用中介模型做用户体验改善的探究案例，比如图1a，探究促销对新用户留存的影响，通过中介建模，我们可以对这个假设进行实证检验。这些测试结果可以告诉我们我们的假设是否正确，如果是的话，有多少影响是由于旅行费用的降低而不是其他机制(例如，对应用程序的熟悉程度)。

其次，可以使用中介建模来比较多种机制。在一个假设的例子中，我们可能认为 Uber Eats menu的新设计可以通过多种机制增加订单(图1b)。通过中介建模，我们能够估计这些机制中处理效应(即增加的订单)有多少，以及哪个机制发挥了最大的作用。这些结果帮助我们了解如何设计我们的产品以及未来的迭代。

中介建模还允许我们将无形的变量(如消费者情绪)与特定的特性与业务度量联系起来。正如我们所知，客户的感受和满意度是企业成功的关键。然而，通常很难量化它们的业务影响。然而，中介建模使我们能够测试这些变量如何影响下游业务度量(图1c)。

此外，中介建模是将长期目标分解为更小的中间步骤。例如，假设我们的目标是提高乘客对 Uber的长期满意度。我们如何把这个目标分解成更小的部分，以便与我们的日常工作联系起来? 如果我们之前已经确定了司机满意度背后的一个关键中介，那么我们就可以利用这个中介作为一个短期关键绩效指标(KPI)(图1d)。如果一项干预的大部分效果是通过一种特殊的机制来调节的，那么对关键中介的影响可能是干预工作的必要条件。

3. 中介模型案例