补贴了就买，不等于补贴有效
在互联网营销领域，有一个看似简单却极其深刻的问题：一个用户领了优惠券之后下了单，这张券真的起作用了吗？
传统营销的思路是看转化率——发了一百张券，有三十个人用了，转化率 30%，效果不错。但这个数字掩盖了一个关键事实：这三十个人里，可能有二十个人不发券也会买。你的券只真正影响了十个人，而另外二十张券的成本，是纯粹的浪费。
这就是算法驱动营销和传统营销的本质区别。传统营销关注"做了什么之后发生了什么"，算法营销关注"因为做了什么才发生了什么"。前者是相关性，后者是因果性。
Uplift Modeling：找到真正被影响的人
要回答"补贴是否真的有效"，需要用到 Uplift Modeling（增量建模）。它的核心思想是：不预测用户会不会买，而是预测补贴能让用户的购买概率提升多少。
想象把用户分成四类。第一类是"必然购买者"，不管给不给补贴都会买，对他们发券是浪费。第二类是"可被说服者"，给了补贴才会买，这是补贴的真正目标。第三类是"无论如何不买者"，补贴对他们没有任何作用。第四类最有趣，叫"反向敏感者"——给了补贴反而不买，可能因为觉得"打折的东西质量不好"。
Uplift Modeling 的目标就是识别出第二类用户，把有限的预算集中在他们身上。
实现方法有几种。Two-Learner 方法最直观：分别训练一个"有补贴时的购买概率模型"和一个"无补贴时的购买概率模型"，两者之差就是补贴的增量效果。X-Learner 在此基础上做了改进，通过交叉估计来减少偏差。而 Causal Forest（因果森林）则用随机森林的思路来估计异质性处理效应，能捕捉更复杂的用户特征交互。
作为产品经理，我不需要自己实现这些算法，但我需要理解它们的假设和局限。比如 Two-Learner 方法在处理组和对照组分布差异大时效果会下降，这意味着实验设计（A/B 测试的分组策略）直接影响模型质量。这是产品经理需要和算法团队一起把关的环节。
预算分配：在约束下求最优
知道了每个用户的增量效果，下一个问题是：预算有限，怎么分配？
这本质上是一个带约束的优化问题。目标是最大化总增量（比如增量 GTV），约束是总预算不超过某个上限。经典的解法是拉格朗日对偶方法：引入一个"影子价格"参数 λ，把带约束的问题转化为无约束问题。当 λ 调高时，只有增量效果特别好的用户才值得补贴；当 λ 调低时，更多用户会被纳入补贴范围。
在实际操作中，这个 λ 的调节就是产品经理和业务方博弈的焦点。业务方想要更多的 GMV，算法团队关注 ROI，产品经理需要在两者之间找到平衡点。我的经验是，与其争论一个固定的 λ 值，不如给业务方展示一条"预算-增量"曲线——在不同预算水平下，预期能带来多少增量。让决策者自己选择他们愿意接受的投入产出比。
AARRR 框架下的干预点选择
算法营销不只是"发券"这一个动作。在 AARRR（获取、激活、留存、收入、推荐）框架下，每个环节都有可能的干预点。
在获取阶段，算法可以优化投放渠道和素材的匹配，把对的广告展示给对的人。在激活阶段，新用户的首单补贴策略需要精细化——不同用户对价格的敏感度不同，一刀切的新人券往往效率很低。在留存阶段，流失预警模型可以提前识别即将流失的用户，配合精准的召回策略。在收入阶段，动态定价和个性化推荐可以提升客单价。在推荐阶段，社交裂变的激励设计也可以用增量思维来优化。
产品经理的价值在于判断：当前阶段，哪个环节的干预投入产出比最高？这需要对业务全局有清晰的认知，而不是只盯着某一个指标。
产品经理的翻译角色
在算法营销的实践中，产品经理扮演的是"翻译"角色——把业务目标翻译成算法可以优化的指标，把算法的输出翻译成业务方能理解的决策建议。
这个翻译过程中最常见的陷阱是指标错位。业务方说"我要提升 GTV"，但 GTV 的提升可能来自补贴驱动的低质量订单，长期来看反而损害利润。算法团队说"模型 AUC 提升了 2 个点"，但这个提升是否真的带来了业务价值，需要产品经理去验证。
我的方法论是：永远从业务目标出发，向下拆解到可量化的指标，再向下拆解到算法可以优化的目标函数。每一层拆解都要确认：这个代理指标和上层目标之间的关系是否成立？如果不成立，再好的算法也只是在优化一个错误的方向。
一些实践感悟
做了一年多的算法营销产品，我最大的感悟是：算法是工具，不是答案。再精妙的模型，如果建立在错误的业务假设上，产出的就是精确的错误。
产品经理不需要成为算法专家，但需要具备"算法直觉"——知道什么问题适合用算法解决，什么问题需要业务判断；知道模型的输出意味着什么，以及它可能在哪里出错。这种直觉不是天生的，是在一次次"算法说 A，业务实际是 B"的复盘中积累出来的。