EN 联系我们 在线试用
弘犀研究 · 深度分析营销增量测量

弘犀研究 · 行业建模实践 · 2026 年 11 月 5 日 约 67 分钟阅读 HXR-20261105-02

Analysis · 深度分析

预测谁会买，不等于知道谁被说服：大模型时代的营销增量必须由实验锚定

弘犀智能研究团队 / HX Research Team，弘犀智能科技（深圳）有限公司

下载 PDF（英文原版）引用本文参考文献（71）

大模型正在进入营销决策的各个环节：分析助手替人写查询与报表，合成受访者替人回答问卷，生成式答案成为新的曝光渠道。与此同时，营销测量的老问题并没有消失：广告与促销的效果是因果量，而企业数据记录的多是相关。大规模实地实验反复表明，观测方法会系统性高估广告效果；按「谁最可能购买」挑选人群的响应模型，可能把预算花在本来就会买的人身上。现有讨论要么把大模型当作测量本身的替代，要么只讨论其中一个环节，缺少一个说明「什么证据锚定什么结论」的统一框架。本文的中心论点是：在营销决策中，大模型可以加速假设、数据与先验，但不能替代识别；可信的增量必须由随机实验锚定，再由增益模型、经实验校准的营销组合模型和预测驱动推断向外推广。我们形式化了增益、投放价值、实验检验力、营销组合模型、内生性偏差、带偏差预算的实验校准与预测驱动推断，给出五层证据框架、五条路线的机制比较、一个实验锚定的营销测量算法、三组固定种子的示意模拟，以及五条可证伪的前瞻判断。

关键词：增量测量；增益模型；营销组合模型；地理实验；实验校准；合成受访者；预测驱动推断

引言

营销预算的核心问题从来是同一个：这笔钱带来了多少原本不会发生的购买。它是一个因果问题，答案是「处理组与反事实之差」，而反事实从来观测不到⁠1,2。经济学与营销学对此早有清醒认识：观测数据中广告与销量的相关，混入了季节、需求冲击、定向投放与选择偏差，必须依靠实验或可信的准实验设计来识别⁠3,4。

大模型让这个老问题多了几种新形态。第一，营销分析助手：已有工作用语义检索、提示工程与微调，提升大模型在营销组合模型与归因场景中做领域问答、生成 SQL 与表格分析的能力⁠5；面向企业数据智能体的基准显示，最好的智能体在跨多个异构数据库的真实查询上首次通过率只有 57%（据论文）⁠6。第二，合成受访者：用大模型扮演特定人群回答问卷，可以复现部分人群层面的态度分布⁠7；据论文，在 57 项个人护理产品调查、9,300 份真人回答上，语义相似度评分方法达到真人重测信度的 90%⁠8。第三，新的测量对象：生成式答案中的品牌曝光正在成为新渠道，有工作提出把生成式引擎优化与生成式引擎营销纳入营销组合模型的因果框架⁠9；以 Transformer 处理搜索词与创意嵌入的神经营销组合模型也已出现⁠10。

这些进展都有价值，但它们没有改变识别的逻辑。大规模实地实验给出的证据相当一致。Lewis 与 Rao 分析了 25 项大型线上广告实地实验，发现个体销售的波动远大于广告效果，即使样本量巨大，投资回报的置信区间也常常宽到无法区分盈亏（据论文）⁠11。Gordon 等人用 Facebook 的大型广告实验检验常见观测方法，发现它们往往不能准确复现随机实验得到的处理效应⁠12；在后续覆盖 663 项实验、5,000 余个特征的研究中，三类转化指标的实验中位提升为 29%、18% 与 5%，而双重机器学习给出 83%、58% 与 24%，分层倾向得分匹配给出 173%、176% 与 64%（据论文）⁠13。eBay 的大规模搜索广告实验显示，品牌关键词广告没有可测出的短期收益；非品牌关键词广告对新用户与低频用户有正向作用，但大部分广告费用花在了购买行为不受广告影响的高频用户身上，平均回报为负（据论文）⁠14。

在这样的背景下，现有讨论留下三个缺口。第一，把「预测谁会买」与「知道谁被说服」混为一谈。响应模型预测的是处理后的购买概率，增益模型估计的是处理带来的变化；把高风险或高响应客户作为目标，可能恰恰选中了不受影响甚至反感的人⁠15,16。第二，营销组合模型与实验的关系没有说清。主流开源工具已支持用实验结果校准先验⁠17–19，但当观测模型有系统偏差时，如何决定它与实验各占多少权重，仍缺少一个可操作的规则。第三，大模型生成的证据被当作样本的替代而不是辅助。研究显示，合成受访者能复现答案分布却覆盖不到真实的受访者组合⁠20，分析选择的微小差异就能改变结论⁠21，而把合成数据与少量真人数据按统计规则结合，可以在保持有效性的同时节省样本⁠22,23。

本文的中心论点是：在营销决策中，大模型可以加速假设、数据与先验，但不能替代识别；可信的增量必须由随机实验锚定，再由增益模型、经实验校准的营销组合模型和预测驱动推断向外推广。简言之：实验锚定，模型外推，大模型加速。本文有三点贡献：

  1. 统一形式化增益与投放价值、实验检验力、营销组合模型、内生性偏差、带偏差预算的实验校准与预测驱动推断（式 (1)–(7)），并给出符号表，说明为什么响应排序会浪费预算、为什么观测模型的方差权重会在偏差面前失效。
  2. 提出按识别来源划分的五层证据框架，并对五条测量路线做机制层面的比较，给出支持与反对的证据。
  3. 给出实验锚定的营销测量算法（算法 1）、三组固定种子的示意模拟，以及五条附时间尺度、证伪条件与企业含义的前瞻判断。

第 2 节给出形式化与符号；第 3 节给出框架；第 4 节做机制分析与路线比较；第 5 节给出算法；第 6 节是示意模拟；第 7—10 节分别讨论前瞻判断与研究议程、常见误区、局限与结论。

问题形式化与符号

增益与投放价值

记顾客 i 的特征为 Xi，处理（发券、投放广告、加入促销）为 Ti ∈ {0, 1}，结果为 Yi，潜在结果为 Yi(1) 与 Yi(0)⁠1。条件平均处理效应，即增益，定义为

τ(x) = E[Y(1) − Y(0) | X = x] = μ1(x) − μ0(x)(1)

其中 μt(x) = E[Y(t) | X = x]。响应模型估计的是 μ1(x)，即「处理后会不会买」；增益模型估计的是 τ(x)，即「处理改变了多少」⁠24。若每次增量购买带来毛利 m、每次处理成本为 c，对人群 S 投放的价值为

V(S) = ∑i∈S [m·τ(Xi) − c](2)

在预算约束 |S| = k 下，V 由按 τ 排序取前 k 名最大化；按 μ1 = μ0 + τ 排序只在 μ0 与 τ 的排序一致时才不吃亏。当 Corr(μ0, τ) < 0，即本来就很可能购买的人受影响更小时，响应排序会系统性地选中「本来就会买的人」。文献把顾客分成可说服者、必然购买者、无望者与「沉睡的狗」（处理后反而更不买）四类，正是基于这一区分⁠16,24。

实验的检验力

增益是因果量，最可靠的估计来自随机实验。但营销效果相对于个体结果的波动通常很小。记每组样本量为 n、结果标准差为 σ、待检出的平均效应为 τ̄，在双侧 5% 显著性与 80% 检验力下

n ≈ 2(z0.975 + z0.8)²·σ²/τ̄² ≈ 15.7·σ²/τ̄²(3)

当 σ/τ̄ 很大时，所需样本量随其平方增长。Lewis 与 Rao 的结论正是式 (3) 的经验版本：在他们分析的实验中，个体销售的变异系数约为 10，而广告效果只是均值的很小一部分，因此即便上千万人周的样本也难以精确估计投资回报（据论文）⁠11。方差缩减、幽灵广告与地理实验等设计，都是为了在式 (3) 的约束下提高效率⁠25–27。

营销组合模型与内生性

营销组合模型用周或日粒度的汇总数据估计各渠道的贡献。常见形式是

yt = b0 + ∑k βk·hk(Ak,t) + γᵀzt + εt，Ak,t = xk,t + δk·Ak,t−1，h(A) = Aˢ/(Aˢ + κˢ)(4)

其中 xk,t 为渠道 k 的投放，A 为带衰减 δ 的累积效应（adstock），h 为饱和函数，zt 为季节、价格等控制变量⁠28。问题在于，投放往往是根据需求预期决定的：旺季多投、促销前多投、表现好的渠道追加预算。若模型未观测的需求冲击 ut 同时影响投放与销量，则

plim β̂k = βk + Cov(Ak, u)/Var(Ak)(5)

这一偏差不会随样本量增加而消失。新近的合成基准刻意让投放由季度预算反馈、促销前预投、电视集中投放与算法追涨四种机制产生，以便检验模型能否在内生投放下恢复真实效果⁠29。贝叶斯营销组合模型的先验在小样本下对后验影响很大，可能导致有偏估计（据论文）⁠28。

带偏差预算的实验校准

设观测模型给出渠道效果估计 θ̂obs，抽样方差 vobs，系统偏差的量级为 B；实验给出无偏估计 θ̂exp，方差 vexp。若只按抽样方差加权，当 vobs 很小时，结合结果几乎完全听观测模型的，偏差原样保留。我们建议把偏差的平方当作额外方差：

θ̂ = w·θ̂obs + (1 − w)·θ̂exp，w = (vobs + B²)⁻¹ / [(vobs + B²)⁻¹ + vexp⁻¹]，B̂² = max(ḡ² − vexp, 0)(6)

其中 ḡ² 是历史上同类渠道「观测估计减实验估计」差距的平方均值。B̂² 越大，权重越向实验倾斜；若历史上观测模型与实验一致，B̂² 接近零，式 (6) 退化为普通的方差加权。Meridian 文档把校准定义为「用实验结果和其他领域知识设定各渠道的先验」⁠17；结构估计方法则直接从地理实验的时间序列中恢复衰减、饱和与效果参数⁠30。式 (6) 回答的是另一个问题：在偏差存在时，实验信息应占多大比重。

合成受访者与预测驱动推断

设要估计的总体量为 θ = E[Y]（例如新品概念的平均购买意向）。有 n 个真人样本 (Xj, Yj)，以及 N 个只有大模型预测 f(X̃i) 的合成样本。预测驱动推断（PPI）的估计量为

θ̂PP = (1/N)∑i f(X̃i) − (1/n)∑j [f(Xj) − Yj]，Var(θ̂PP) ≈ σf²/N + σr²/n(7)

第二项用真人样本估计并扣除模型的偏差，σr² 是「预测减真值」的方差。只要预测与真值相关，σr² 就小于 Var(Y)，区间比只用真人更窄，而且不论模型偏差多大，区间仍然有效⁠22。分层版本进一步收紧区间⁠31；在联合分析中，把大模型生成数据与真人数据按统计规则结合，据论文可节省 24.9% 到 79.8% 的数据与成本，而直接替代则因偏差无法节省⁠23。

符号表

表 1 汇总本文符号。

表 1 | 主要符号
符号含义出处
X, T, Y, Y(t)特征、处理、结果、潜在结果式 (1)
τ(x), μt(x)增益（条件平均处理效应）、处理 t 下的期望结果式 (1)
m, c, k, V(S)每次增量的毛利、每次处理成本、预算人数、投放价值式 (2)
n, σ, τ̄每组样本量、结果标准差、平均效应式 (3)
xk,t, Ak,t, δk, h, κ, s投放、累积效应、衰减率、饱和函数及其参数式 (4)
ut, βk未观测需求冲击、渠道效果式 (5)
θ̂obs, θ̂exp, v, B, w观测与实验估计、方差、偏差预算、结合权重式 (6)
f, N, n, σr²大模型预测、合成与真人样本量、纠偏项方差式 (7)

框架：按识别来源划分的五层证据

营销测量里，同一个问题——「这次投放带来了多少增量」——可以有五类回答，它们的可信度来自不同的识别来源。我们把它们排成五层（表 2）。层级越低，越接近因果识别；层级越高，覆盖面与速度越好，但越需要下层的锚定。大模型在每一层都能发挥作用，但作用的性质不同。

表 2 | 营销增量的五层证据：识别来源、能回答的问题、典型失败与大模型的角色
← 左右滑动查看完整表格 →
层级代表方法识别来源能回答的问题典型失败大模型的合适角色
E1 随机实验用户级提升实验、幽灵广告、地理实验、对照组促销随机分配这次投放的平均增量是多少检验力不足、信号丢失、只测短期设计检查、样本量计算、报告生成
E2 实验外推增益模型、预测增量（PIE）、策略学习E1 的随机样本对谁投放、未做实验的活动增量多少评估指标噪声大、外推越界特征构造、解释、代码生成
E3 校准的营销组合模型以实验设先验的贝叶斯 MMM、地理实验结构估计E1 作为先验或约束渠道预算如何分配内生投放、共线性、先验主导数据整理、诊断、情景问答
E4 观测与准实验双重差分、合成控制、贝叶斯结构时间序列、双重机器学习平行趋势、无混杂等假设未能随机化时的近似增量假设不成立且难以检验假设清单、稳健性检查
E5 大模型生成证据合成受访者、数字孪生、智能体分析无独立识别来源假设筛选、问卷与概念预测试偏差、方差塌缩、组合覆盖不足生成候选，配合真人样本纠偏

表 2 的读法有两条。第一，往上走需要往下锚：E2 的增益模型要在 E1 的随机样本上训练与评估；E3 的组合模型要用 E1 的结果设先验或约束；E5 的合成证据要用真人样本按式 (7) 纠偏。第二，大模型的角色是「加速」而不是「识别」：它可以把实验设计、数据整理、代码与报告做得更快，但无法凭空生成反事实。

机制分析与路线比较

会买的人与被说服的人

式 (2) 的含义可以用一个反直觉的事实说明：最可能购买的人，往往是投放最不值钱的人。Ascarza 基于客户保留的实地实验发现，针对流失风险最高的客户开展挽留，可能是无效的；应该针对的是对干预反应最大的客户，而他们未必是风险最高的（据论文）⁠15。在一项覆盖 53,000 余名大学生的实地实验中，Athey 等人比较了基于因果森林的增益定向与基于基线概率的定向，指出「基线结果低者优先」虽常见，却不是理想标准，并提出把两者结合的混合方法⁠32。金融行业客户保留的案例研究也发现，增益模型带来的利润高于预测模型⁠16。

工业级数据给出了量级感。在含 1,398 万条记录的 Criteo 增益数据上，按预测增益排序的前 20% 客户捕获了 77.7% 的增量转化，是随机定向的 3.9 倍；因果森林的不确定性分析显示，只有 1.9% 的客户在 95% 区间下确定为可说服者，0.1% 确定为「沉睡的狗」（据论文）⁠33。增益估计本身有成熟的方法族：元学习器（T、S、X 学习器）⁠34、准神谕的 R 学习器⁠35、因果森林与广义随机森林⁠36,37、递归划分⁠4与双重机器学习⁠38。

增益模型的评估比估计更难

增益看不见，只能在随机样本上按组比较。Qini 曲线与累积增益曲线是常用指标，但它们的方差很大，信号在一定程度上是随机的；对结果做统计调整可以缩减方差⁠39。秩加权平均处理效应（RATE）把 Qini 系数纳入一个统一的指标族，并给出中心极限定理，使排序规则的比较可以做严格推断⁠40。2026 年的 UpliftBench 在七个数据族上评估 12 种估计器，发现不同基准对「哪个估计器最好」的分歧，很大程度上来自指标而非模型：在 IHDP 的 100 个实现上，Qini 与效应准确度的平均秩相关只有 +0.07，而累积增益曲线下面积对齐得更好；在需要按符号阈值决策的场景中，校准决策阈值可消除 81% 的 Qini 选择遗憾（据论文）⁠41。实验预算有限时，可以用观测数据作先验，主动挑选最有信息量的单位做随机实验⁠42。

观测测量为什么系统性高估

第 1 节的证据说明，观测方法的失败不是偶然。机制有三。其一，选择：广告系统把广告投给最可能转化的人，暴露者与未暴露者本来就不同⁠12,13。其二，归因与增量不是一回事：在大规模付费获客系统中，归因到付费渠道的新增用户可能与自然需求、品牌流量重叠，从而高估真实增量；以增量实验为锚的纠偏框架在多个 TikTok 市场部署后，随后测得的蚕食率下降约 15 个百分点（据论文）⁠43。其三，跨平台转移：上游的内容平台引发了购买，交易却记在下游的电商平台上，基于归因的投资回报看不到这些转移，营销组合模型也不知道该把功劳记给谁⁠44。

实验本身也在应对新约束。幽灵广告在对照组中记录「本应看到广告」的用户，使实验成本更低、精度更高；据论文，在一项零售再营销活动中，广告使网站访问提升 17.2%、购买提升 10.5%⁠26。平台提升实验需要专门的检验力与样本量计算⁠45，预实验数据的协变量调整可以显著缩减方差⁠25,46。隐私保护带来的匹配率下降、聚合阈值与随机噪声会削弱实验信号：有研究证明存在一条决策边界，边界内的报告信息不足以让任何方法一致地区分「有增量」与「无增量」（据论文）⁠47。

在实验与观测之间，预测增量（PIE）提供了一条折中路线：用一批随机实验学习「活动特征 → 因果效果」的映射，再用于没有做实验的活动。据论文，在 2,226 项 Meta 广告实验上，PIE 对每美元增量转化的样本外 R² 为 0.88，而行业常用的 7 天末次点击归因只有 0.19；PIE 与实验决策不一致的比例为 8%—12%，末次点击为 12%—20%⁠48。这正是「实验锚定、模型外推」的范例：模型的可信度来自它被实验训练与检验过。

营销组合模型需要实验作锚

营销组合模型是渠道预算分配的主要工具，它的价值在于覆盖所有渠道、只用汇总数据、不依赖个人级追踪⁠18,19。它的弱点在于式 (5)：投放是内生的。Google 研究人员早在 2017 年就指出，携带衰减与形状效应的贝叶斯组合模型在小样本下受先验影响很大（据论文）⁠28；内生投放的合成基准用 156 周、三个渠道的周数据，记录每周销量的真实因果分解，用于检验模型能否恢复真值⁠29。

于是主流工具都转向实验校准。Meridian 提供了地理实验模块，用实验结果设定渠道先验⁠17；Robyn 用多目标优化最小化模型预测与地理实验、平台提升实验等「真值」之间的误差⁠18。地理实验本身有成熟的方法：Vaver 与 Koehler 描述了以地区为单位的随机实验⁠27，Trimmed Match 针对地区少、异质性强的情形给出稳健估计⁠49，其设计版本进一步整合最优配对与样本拆分⁠50。结构估计方法通过处理区与对照区差分消除混杂，从地理实验时间序列中同时恢复衰减、饱和与效果参数⁠30。组合模型也在向更细粒度扩展：以组合模型为先验推导活动级效果⁠51，以分层结构与符号约束提高稳定性⁠52，以神经网络处理搜索词与创意嵌入⁠10，以及把生成式答案中的品牌曝光作为新渠道⁠9。这些扩展提高了表达力，但没有增加识别来源；表达力越强，越需要实验约束。

当无法随机化时，准实验方法是次优选择：合成控制用加权的对照单位构造反事实⁠53，贝叶斯结构时间序列推断干预的随时间演变的影响⁠54。它们依赖的假设——平行趋势、对照单位不受干预影响——需要逐项检查。

大模型在测量中的位置

合成受访者能做什么。早期研究显示，经人口学条件化的语言模型能复现特定人群的态度分布⁠7。营销学顶刊随后检验了大模型在知觉分析与偏好测量中替代或补充真人的潜力⁠55,56。Arora 等人与一家《财富》500 强食品企业合作，用 GPT-4 复现一项 2019 年的定性与定量研究，发现人机混合优于只用人或只用模型，模型在定量题上能正确判断答案方向与倾向（据论文）⁠57。用 19,447 个人设复现《市场营销学报》14 篇论文中 133 项实验结果，复现了 76% 的主效应（111 项中 84 项），含交互效应的总体复现率为 68%（据论文）⁠58。

合成受访者不能做什么。直接要求模型给出数值评分，会产生方差过低的分布，即「模式塌缩」；先生成文本再用嵌入映射到量表，可以部分修复⁠8,59。一项 10 月的心理测量审计测试了 14 个决策模型与 47 个生成式模型：最好的生成式模型心理测量相似度为 0.813，与只在其他受访者上拟合的高斯 copula（0.824）持平，低于样本内拟合的 copula（0.927）（据论文）⁠60。另一项 10 月的研究提出受访者覆盖缺口：六个模型生成的样本都留下了未被覆盖的真人受访者，表现甚至不如按真人边际分布独立抽样的基线（据论文）⁠20。252 种合成样本配置在排序、分布与量表间相关上差异很大，在一项已发表研究的 66 种替代配置中，人机相关从 0.23 到 0.84 不等（据论文）⁠21。个体层面的准确度提升不一定传导到总体层面⁠61；以受访者早先的行为回答作条件，比只用人口学描述更能预测个人后续选择⁠62；含 2,058 名受访者、500 道题、四轮重测的公开数据集为此提供了基准⁠63。

为什么合成实验会混杂。Gui 与 Toubia 以需求估计为例、以 40 种产品的真实实验为基准证明：当模拟受访者不知道实验设计时，处理的变化会系统性地改变本应保持不变的变量，违反无混杂假设；向模型揭示实验设计可以缓解⁠64。这提醒我们，合成实验同样需要识别。

大模型做因果分析的能力。在超过 20 万个样本的纯因果推断任务上，17 个模型的表现接近随机⁠65；针对辛普森悖论、选择偏差等统计陷阱的基准显示，当前模型在统计因果推断上存在显著局限，让模型写代码做显式分析会更可靠⁠66。数据智能体的表现在很大程度上取决于执行框架（harness）如何表示任务、管理状态与提供评估反馈⁠67。

合成证据的正确用法。预测驱动推断给出了统一答案：把大模型输出当作带偏差的预测，用少量真人样本估计并扣除偏差⁠22,31；在联合分析中，这种结合比直接替代节省数据与成本⁠23；当能找到与当前任务可交换的历史任务时，合成数据还可以带有可证明的有效性保证⁠68。

反方证据与边界

「实验锚定」也有边界。第一，实验昂贵且检验力有限，式 (3) 意味着许多中小品牌的单次实验无法给出精确的投资回报⁠11。第二，实验测的是短期、特定情境的效果，长期品牌效应与跨期替代难以随机化。第三，隐私信号丢失会让部分实验结果落在不可判定区⁠47。第四，当投放的变化本身接近外生（例如按地区或时间的规则性调整）时，准实验方法也能提供有用证据⁠53,54，并非每个决策都值得专门做实验。因此本文的主张是「用实验锚定、用偏差预算决定权重」，而不是「一切都要做实验」。

表 3 | 五条增量测量路线的机制比较（数字为论文自报）
← 左右滑动查看完整表格 →
路线主要机制代表证据主要风险适用条件
R1 响应与倾向模型预测处理后购买概率 μ1挽留高风险客户可能无效选中必然购买者，浪费预算只用于预测，不用于定向决策
R2 随机实验上的增益模型估计 τ(x)，按增益定向Criteo 前 20% 捕获 77.7% 增量评估指标噪声大，外推越界有随机样本、可重复实验
R3 未校准的观测 MMM 与归因汇总数据回归、规则归因观测方法中位提升远高于实验内生投放、蚕食、跨平台转移仅作描述，不单独用于预算
R4 实验校准的 MMM 与 PIE实验设先验、学习特征到效果的映射PIE 样本外 R² 0.88，末次点击 0.19实验覆盖不足时外推风险有持续的实验计划
R5 大模型合成证据加 PPI合成样本加真人纠偏联合分析节省 24.9%—79.8%偏差、方差塌缩、配置敏感概念筛选、问卷预测试

表 3 的数字来自不同数据与设定⁠13,15,23,33,48，不可横向相加。它要传达的是：五条路线中，只有 R2 与 R4 直接以实验为锚，R5 在有真人样本纠偏时有效，R1 与 R3 单独使用时最容易误导预算。

方法：实验锚定的营销测量

把上述分析收成一个可执行流程。算法 1 的目标是：给定一组营销决策（定向、渠道预算、促销、新品概念），按证据层级组织测量，使每个对外报告的增量数字都能追溯到实验锚点，并让大模型只在「加速」的位置上工作。

算法 1 | 实验锚定的营销测量（Experiment-Anchored Marketing Measurement, EAMM）

输入： 决策清单 D（定向、预算、促销、概念测试）；历史投放与销量数据；可用实验预算；历史上观测估计与实验估计的成对记录；可选的大模型合成样本

输出： 每个决策的增量估计、区间与证据层级；渠道先验与偏差预算 B̂²；定向名单；测量台账

  1. 分层：为 D 中每个决策标注所需证据层级（表 2）；涉及预算与定向的决策至少需要 E1 或 E2/E4 证据，E5 只用于候选筛选
  2. 实验设计：按式 (3) 计算样本量，优先采用对照组、地理实验或幽灵广告；用预实验协变量缩减方差；样本不足时改为合并多次实验或主动选择实验单位
  3. 定向：在随机样本上估计 τ(x)（元学习器或因果森林），用 RATE 或累积增益曲线评估并附区间；按 m·τ̂ − c 排序，只投放期望价值为正的人群
  4. 校准：用历史成对记录估计 B̂²，按式 (6) 合并组合模型与实验估计；B̂² 大的渠道提高实验频率
  5. 外推：对未做实验的活动，用在实验上训练的预测增量模型外推，并标注超出实验覆盖范围的部分
  6. 合成证据：大模型生成的受访者或数字孪生只作为预测 f，用不少于数百人的真人样本按式 (7) 纠偏；报告区间而非点估计
  7. 智能体执行：由大模型生成查询、代码与报告草稿，计算由确定性代码完成，识别假设与结论由人工审核；所有步骤写入测量台账，可复核、可回退

复杂度与适用条件： 实验成本由式 (3) 决定；增益估计为样本量的近线性复杂度；式 (6) 与式 (7) 为闭式计算。适用于有一定投放规模、能做对照组或地区随机化的企业；实验预算极少时，步骤 4 的 B̂² 只能依赖外部基准，需在台账中注明

算法 1 有三处设计意图。第一，步骤 3 与步骤 5 把定向与外推都建立在随机样本上，避免第 4.1 节的「必然购买者」陷阱，并呼应预测增量方法的思路⁠32,48。第二，步骤 4 用历史差距估计偏差预算，使实验权重随观测模型的可信度自动调整，这是对现有「用实验设先验」做法的补充⁠17,30。第三，步骤 6 与步骤 7 把大模型限制在加速的位置：合成证据必须经过真人纠偏，智能体的结论必须经过识别检查⁠22,66。

示意模拟

以下数字均为示意，用于说明式 (1)–(7) 如何联动；所有数据均为合成，脚本与随机种子（20261105）见 src/figs.py，不代表任何真实品牌、活动或顾客的测量。

响应定向与增益定向。我们生成 20 万名顾客，其基线购买概率与增益负相关（相关系数 −0.642）：可说服者集中在中等基线，本来就很可能购买的人增益接近零甚至为负。预算允许投放 20% 的人，每次增量购买毛利 30、每次投放成本 2。结果是：随机投放每千人带来 62.2 次增量购买；按理想响应模型（完全知道 μ1）投放只有 8.8 次，所选人群中 29% 是基线概率超过一半的「必然购买者」；按「基线最低者优先」为 50.9 次；在 4 万人的随机样本上训练的 T 学习器增益模型为 97.1 次，理想增益排序为 122.3 次（Fig. 1）。折算为每千人利润，响应定向为 −1,736，增益模型为 914。也就是说，一个预测准确的响应模型，可以是最差的定向规则。

横向条形图：相同预算下五种定向规则每千名被投放者带来的增量购买，随机 62.2，理想响应模型 8.8，低基线优先 50.9，增益模型（T-learner）97.1，理想增益 122.3（合成数据）
Fig. 1 | 预测谁会买不等于知道谁被说服。五种定向规则在相同预算下每千名被投放者带来的增量购买；理想响应模型的增量最少。合成数据，固定随机种子 20261105，由弘犀智能研究团队计算。

内生投放与带偏差预算的校准。我们模拟 156 周的单渠道数据：真实投资回报为 1.2，衰减率 0.5，投放随模型看不到的需求冲击上调。重复 2,000 次：观测组合模型平均高估 1.40，均方根误差 1.40；按抽样方差把实验（标准误 0.25）当作先验结合，偏差仍有 1.24，因为观测模型的抽样方差很小、权重几乎全在它身上；按式 (6) 用过去 5 次「组合模型减实验」的差距估计偏差预算后，偏差降到 0.047，均方根误差 0.241，与只用实验（0.245）相当（Fig. 2）。作为对照，在投放外生的情形下，偏差预算方法的均方根误差为 0.238，略优于只用实验，说明它在观测模型可信时会自动利用观测信息。

阶梯直方图：四种渠道投资回报估计在 2,000 次重复中的分布，虚线为真实投资回报 1.2。只用实验与实验锚定加偏差预算两种估计集中在 1.2 附近；观测营销组合模型约在 2.6，按抽样方差加权的实验先验约在 2.45，均明显偏高（合成数据）
Fig. 2 | 投放内生时，按抽样方差加权的实验先验救不回偏差，带偏差预算的校准可以。四种估计在 2,000 次重复中的分布，虚线为真实投资回报。合成数据，固定随机种子 20261105，由弘犀智能研究团队计算。

合成受访者与预测驱动推断。设新品概念在五分量表上的真实平均购买意向为 3.095；大模型合成受访者与真人的相关为 0.729，但平均高估 0.414，且分布被压缩。重复 2,000 次：只用 200 名真人，95% 区间的实际覆盖率为 94.9%，平均宽度 0.295；只用 1 万名合成受访者，区间宽度只有 0.019，覆盖率却是 0%——非常精确地错了；按式 (7) 用 200 名真人纠偏后，覆盖率为 95.2%，宽度 0.218，比只用真人窄约四分之一（Fig. 3）。

柱状图：三种做法的 95% 区间实际覆盖率与平均宽度，虚线为 95%。只用 200 名真人覆盖率 94.9%、宽度约 0.29；只用 1 万合成受访者覆盖率 0%、宽度约 0.02；PPI（合成加真人纠偏）覆盖率 95.2%、宽度约 0.22（合成数据）
Fig. 3 | 合成受访者单独使用时「精确地错」，与少量真人结合后既有效又更窄。三种做法的 95% 区间实际覆盖率与平均宽度。合成数据，固定随机种子 20261105，由弘犀智能研究团队计算。
表 4 | 示意模拟汇总（固定随机种子 20261105）
← 左右滑动查看完整表格 →
模拟关键设定结果对应公式
定向规则20 万人，预算 20%，基线与增益相关 −0.642每千人增量：随机 62.2，响应 8.8，增益模型 97.1，理想增益 122.3式 (1)–(2)
MMM 校准156 周，真实 ROI 1.2，内生投放，2,000 次偏差：观测 1.40，方差加权 1.24，偏差预算 0.047式 (4)–(6)
合成受访者1 万合成、200 真人，偏差 +0.414覆盖率：真人 94.9%，合成 0%，PPI 95.2%；宽度 0.295／0.019／0.218式 (7)

表 4 不是对任何真实系统的声称。它要传达的机制是：预测准确不等于决策正确，模型的精确不等于结论有效；只有以实验或真人样本为锚，数字才可信。

前瞻判断与研究议程

以下为弘犀智能研究团队的观点，不是事实陈述。

表 5 | 五条前瞻判断（观点）
← 左右滑动查看完整表格 →
编号判断时间尺度主要依据证伪条件企业含义
1主流开源营销组合模型工具将提供「模型估计与历史实验差距」的诊断，偏差预算式的实验加权成为常见做法12–24 个月实验校准已成主流⁠17,18；结构估计⁠30；内生基准⁠29到 2028 年底，Meridian、Robyn、PyMC-Marketing 均未提供模型与实验差距的系统诊断从现在起保存每次实验与同期模型估计的成对记录
2营销研究中的合成受访者将从「替代样本」转向「合成加真人纠偏」，顶刊研究普遍报告纠偏后的区间12–24 个月PPI⁠22；联合分析增广⁠23；覆盖缺口⁠20；心理测量审计⁠60到 2028 年底，主要营销学期刊中使用合成受访者的实证研究多数仍只报告纯合成估计概念测试保留数百人的真人锚样本
3主要广告平台与零售媒体网络将把「以实验校准的增量」作为与归因并列的标准报告项6–18 个月PIE⁠48；蚕食纠偏⁠43；跨平台转移⁠44到 2027 年底，主要平台的默认报告仍只有归因转化与归因回报采购媒体时要求提供增量实验或其校准结果
4营销与数据分析智能体的主要评测将加入因果陷阱与识别检查维度，而不只评答案或 SQL 准确率12–24 个月数据智能体基准 57%⁠6；因果陷阱⁠66；执行框架⁠67到 2028 年底，主要数据智能体基准仍不含任何因果识别类任务让智能体写代码、由确定性代码计算、由人审核识别假设
5生成式答案中的品牌曝光将作为新渠道进入营销组合模型，但两年内其可信估计仍主要依赖实验12–24 个月生成式营销组合模型⁠9；神经组合模型⁠10；隐私信号丢失⁠47两年内出现不依赖实验、且经独立实验检验误差在 ±20% 以内的生成式曝光效果估计方法并被广泛采用对生成式渠道先做小规模地区或查询层面的随机化

研究议程有四个开放问题。第一，偏差预算 B 本身随渠道、季节与投放策略变化，如何用分层模型在渠道间共享信息，并在实验稀少时给出可靠的 B̂²。第二，增益模型的评估指标与业务目标的对齐：何时用排序指标，何时必须用带阈值的策略风险⁠40,41。第三，合成受访者的有效性条件：什么样的历史任务与当前任务「可交换」，从而让合成证据带有保证⁠68。第四，隐私约束下的实验设计：在聚合与噪声注入之后，如何选择报告粒度，使实验仍落在可判定区⁠47。

要点小结：

  1. 用式 (1)–(2) 看定向：按增益而非响应排序，响应排序会选中必然购买者。
  2. 用式 (3) 看实验：效应小、波动大时，样本量随二者之比的平方增长。
  3. 用式 (4)–(5) 看组合模型：投放内生时偏差不随样本量消失。
  4. 用式 (6) 看校准：把历史偏差当作额外方差，权重自动向实验倾斜。
  5. 用式 (7) 看合成证据：合成样本加真人纠偏，既有效又更窄。

业界常见看法中可能错误的地方

「响应模型准确率高，定向就好」。响应模型预测的是处理后会不会买，增益模型估计的是处理改变了多少；准确的响应模型可能把预算集中在必然购买者身上⁠15,16。

「归因报表里的转化就是增量」。归因到付费渠道的转化可能与自然需求重叠，或者被下游平台记账⁠43,44；观测方法的中位提升可以是实验的数倍⁠13。

「组合模型数据越多越准」。内生投放带来的偏差不随样本量消失；先验与实验校准决定了模型能否给出因果解释⁠28,29。

「大模型可以替代问卷」。合成受访者能复现部分分布，却存在方差塌缩、组合覆盖不足与配置敏感⁠20,21,59；正确的用法是与真人样本结合⁠22。

「让大模型直接回答因果问题」。在纯因果推断与统计陷阱基准上，模型表现有限⁠65,66；更可靠的是让模型写分析代码、由确定性计算给出结果、由人检查识别假设。

局限性

本文有四点局限。第一，第 6 节的模拟使用简化的合成数据，只能说明机制，不能给出任何真实品牌的数值；偏差预算的效果取决于历史差距记录的数量与代表性。第二，许多关键证据来自特定平台与市场的研究（Facebook、Meta、eBay、TikTok、Criteo），结论能否推广到其他行业与渠道需要谨慎⁠13,14,33,43,48。第三，关于合成受访者的研究进展很快，2026 年的多项结论来自预印本，以论文自报为准⁠20,60。第四，实验本身有伦理与合规约束：对照组意味着部分顾客不获得优惠，个性化定向涉及自动化决策。根据《个人信息保护法》第二十四条，利用个人信息进行自动化决策应保证透明与结果公平公正，通过自动化决策进行信息推送、商业营销，应同时提供不针对个人特征的选项或便捷的拒绝方式；第五十五条要求对利用个人信息进行自动化决策开展个人信息保护影响评估⁠69。

结论

大模型让营销分析更快，但没有让因果识别更容易。实地实验反复表明，观测方法会高估广告效果；增益研究表明，最可能购买的人往往是最不值得投放的人；合成受访者研究表明，模型可以精确地复现分布，却无法替代真人的组合与偏差。这三条证据指向同一个结论：营销增量必须由实验锚定，再由增益模型、校准的组合模型与预测驱动推断向外推广；大模型的位置在加速，而不在识别。

对企业而言，含义很具体。定向时按增益而非响应排序；预算分配时保存实验与模型估计的成对记录，用偏差预算决定实验的权重；概念测试时把合成受访者与真人锚样本结合；让智能体写代码、跑流程、出报告，但识别假设与最终结论由人把关。据官网，弘犀智能快消方案中的「响应与增益模型」用于区分可说服顾客与本来就会购买的顾客，按细分交付带预期增量销售的定向名单；「促销与价格弹性分析」采用对照组与双重差分分析加价格弹性估计，全部由确定性代码计算⁠70。企业智能体平台的 Harness 治理引擎主张「模型只提议，工具受控执行，Harness 保留最终决定权」⁠71，可用于落实算法 1 中的人工审核、测量台账与回退。

数据可用性　本文未使用任何企业或顾客的真实数据。文中引用数字来自所列参考文献与官网；示意模拟由脚本按文中假设生成。

代码可用性　示意模拟与 Fig. 1—3 的脚本为 src/figs.py（Python，固定随机种子 20261105），随本文资料包提供，便于复核。

利益冲突　作者为弘犀智能科技（深圳）有限公司员工。文中提及的快消方案与企业智能体平台为该公司公开的产品与方案。

参考文献

  1. 1.Rubin, D. B. Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology 66, 688–701 (1974); https://doi.org/10.1037/h0037350.
  2. 2.Imbens, G. W. & Rubin, D. B. Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction (Cambridge Univ. Press, 2015); https://doi.org/10.1017/CBO9781139025751.
  3. 3.Varian, H. R. Causal inference in economics and marketing. Proceedings of the National Academy of Sciences 113, 7310–7315 (2016); https://doi.org/10.1073/pnas.1510479113.
  4. 4.Athey, S. & Imbens, G. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences 113, 7353–7360 (2016); https://doi.org/10.1073/pnas.1510489113.
  5. 5.Gao, Y., Arava, S. K., Li, Y. & Snyder, J. W. Improving the Capabilities of Large Language Model Based Marketing Analytics Copilots With Semantic Search And Fine-Tuning. Preprint at https://arxiv.org/abs/2404.13077 (2024).
  6. 6.Ma, R. et al. Can AI Agents Answer Your Data Questions? A Benchmark for Data Agents. Preprint at https://arxiv.org/abs/2603.20576 (2026).
  7. 7.Argyle, L. P. et al. Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis 31, 337–351 (2023); https://doi.org/10.1017/pan.2023.2.
  8. 8.Maier, B. F. et al. LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings. Preprint at https://arxiv.org/abs/2510.08338 (2025).
  9. 9.Kato, M., Honma, D. & Kato, T. Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact. Preprint at https://arxiv.org/abs/2609.11915 (2026).
  10. 10.Mulc, T. et al. NNN: Next-Generation Neural Networks for Marketing Measurement. Preprint at https://arxiv.org/abs/2504.06212 (2025).
  11. 11.Lewis, R. A. & Rao, J. M. The Unfavorable Economics of Measuring the Returns to Advertising. The Quarterly Journal of Economics 130, 1941–1973 (2015); https://doi.org/10.1093/qje/qjv023.
  12. 12.Gordon, B. R., Zettelmeyer, F., Bhargava, N. & Chapsky, D. A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science 38, 193–225 (2019); https://doi.org/10.1287/mksc.2018.1135.
  13. 13.Gordon, B. R., Moakler, R. & Zettelmeyer, F. Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement. Marketing Science 42, 768–793 (2023); https://doi.org/10.1287/mksc.2022.1413.
  14. 14.Blake, T., Nosko, C. & Tadelis, S. Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment. Econometrica 83, 155–174 (2015); https://doi.org/10.3982/ECTA12423.
  15. 15.Ascarza, E. Retention Futility: Targeting High-Risk Customers Might be Ineffective. Journal of Marketing Research 55, 80–98 (2018); https://doi.org/10.1509/jmr.16.0163.
  16. 16.Devriendt, F., Berrevoets, J. & Verbeke, W. Why you should stop predicting customer churn and start using uplift models. Information Sciences 548, 497–515 (2021); https://doi.org/10.1016/j.ins.2019.12.075.
  17. 17.Google. Calibrate treatment priors | Meridian. https://developers.google.com/meridian/docs/advanced-modeling/roi-priors-and-calibration (2026).
  18. 18.Meta Marketing Science. Robyn: an AI/ML-powered open-source marketing mix modeling package. https://facebookexperimental.github.io/Robyn/ (2026).
  19. 19.PyMC Labs. PyMC-Marketing: open source Bayesian marketing mix modeling & CLV in Python. https://www.pymc-marketing.io/en/stable/ (2026).
  20. 20.Kumagae, Y. & Kaneko, M. Silicon Samples Match the Answers but Not the Respondents. Preprint at https://arxiv.org/abs/2610.30900 (2026).
  21. 21.Cummins, J. The threat of analytic flexibility in using large language models to simulate human data. Preprint at https://arxiv.org/abs/2509.13397 (2025).
  22. 22.Angelopoulos, A. N., Bates, S., Fannjiang, C., Jordan, M. I. & Zrnic, T. Prediction-powered inference. Science 382, 669–674 (2023); https://doi.org/10.1126/science.adi6000.
  23. 23.Wang, M., Zhang, D. J. & Zhang, H. Large Language Models for Market Research: A Data-augmentation Approach. Preprint at https://arxiv.org/abs/2412.19363 (2024).
  24. 24.Gutierrez, P. & Gérardy, J.-Y. Causal inference and uplift modelling: a review of the literature. In Proc. 3rd International Conference on Predictive Applications and APIs 1–13 (PMLR 67, 2017); https://proceedings.mlr.press/v67/gutierrez17a.html.
  25. 25.Deng, A., Xu, Y., Kohavi, R. & Walker, T. Improving the sensitivity of online controlled experiments by utilizing pre-experiment data. Proceedings of the sixth ACM international conference on Web search and data mining, 123–132 (2013); https://doi.org/10.1145/2433396.2433413.
  26. 26.Johnson, G. A., Lewis, R. A. & Nubbemeyer, E. I. Ghost Ads: Improving the Economics of Measuring Online Ad Effectiveness. Journal of Marketing Research 54, 867–884 (2017); https://doi.org/10.1509/jmr.15.0297.
  27. 27.Vaver, J. & Koehler, J. Measuring ad effectiveness using geo experiments. Google Research, https://research.google/pubs/measuring-ad-effectiveness-using-geo-experiments/ (2011).
  28. 28.Jin, Y., Wang, Y., Sun, Y., Chan, D. & Koehler, J. Bayesian methods for media mix modeling with carryover and shape effects. Google Research, https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/ (2017).
  29. 29.Heusch, N. A Synthetic Benchmark Dataset with Endogenous Marketing Spend for Validating Marketing Mix Models. Preprint at https://arxiv.org/abs/2608.21130 (2026).
  30. 30.Heusch, N. Structural Estimation of Marketing Mix Model Parameters from Geo-Experiments. Preprint at https://arxiv.org/abs/2608.21128 (2026).
  31. 31.Fisch, A. et al. Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation. Preprint at https://arxiv.org/abs/2406.04291 (2024).
  32. 32.Athey, S., Keleher, N. & Spiess, J. Machine Learning Who to Nudge: Causal vs Predictive Targeting in a Field Experiment on Student Financial Aid Renewal. Preprint at https://arxiv.org/abs/2310.08672 (2023).
  33. 33.Singh, A. A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling. Preprint at https://arxiv.org/abs/2604.06123 (2026).
  34. 34.Künzel, S. R., Sekhon, J. S., Bickel, P. J. & Yu, B. Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the National Academy of Sciences 116, 4156–4165 (2019); https://doi.org/10.1073/pnas.1804597116.
  35. 35.Nie, X. & Wager, S. Quasi-oracle estimation of heterogeneous treatment effects. Biometrika 108, 299–319 (2021); https://doi.org/10.1093/biomet/asaa076.
  36. 36.Wager, S. & Athey, S. Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association 113, 1228–1242 (2018); https://doi.org/10.1080/01621459.2017.1319839.
  37. 37.Athey, S., Tibshirani, J. & Wager, S. Generalized random forests. The Annals of Statistics 47, 1148–1178 (2019); https://doi.org/10.1214/18-AOS1709.
  38. 38.Chernozhukov, V. et al. Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal 21, C1–C68 (2018); https://doi.org/10.1111/ectj.12097.
  39. 39.Bokelmann, B. & Lessmann, S. Improving uplift model evaluation on RCT data. Preprint at https://arxiv.org/abs/2210.02152 (2022).
  40. 40.Yadlowsky, S., Fleming, S., Shah, N., Brunskill, E. & Wager, S. Evaluating Treatment Prioritization Rules via Rank-Weighted Average Treatment Effects. Preprint at https://arxiv.org/abs/2111.07966 (2021).
  41. 41.Li, B. UpliftBench: Revealing Outcome-Regime and Objective Mismatch in Uplift Evaluation. Preprint at https://arxiv.org/abs/2608.00915 (2026).
  42. 42.Gao, J. et al. Budgeted Active Experimentation for Treatment Effect Estimation from Observational and Randomized Data. Preprint at https://arxiv.org/abs/2602.22021 (2026).
  43. 43.Li, D., Yuan, B., Yang, Z., Chen, Q. & Song, L. Attributed, But Not Incremental: Cannibalization-Corrected Attribution for Large-Scale Advertising. Preprint at https://arxiv.org/abs/2606.26690 (2026).
  44. 44.Konitzer, T. Media Measurement and the Assisted Own Goal: Attribution, Marketing-Mix Models, and Individual-Level Incrementality. Preprint at https://arxiv.org/abs/2607.09608 (2026).
  45. 45.Liu, C. H. B., Bettaney, E. M. & Chamberlain, B. P. Designing Experiments to Measure Incrementality on Facebook. Preprint at https://arxiv.org/abs/1806.02588 (2018).
  46. 46.Kohavi, R., Tang, D. & Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing (Cambridge Univ. Press, 2020); https://doi.org/10.1017/9781108653985.
  47. 47.Shekhar, P. & Howard, C. Privacy-Robust Incrementality Measurement for Advertising Systems under Signal Loss. Preprint at https://arxiv.org/abs/2606.03878 (2026).
  48. 48.Gordon, B. R., Moakler, R. & Zettelmeyer, F. Predicted Incrementality by Experimentation (PIE) for Ad Measurement. Preprint at https://arxiv.org/abs/2304.06828 (2023).
  49. 49.Chen, A. & Au, T. C. Robust causal inference for incremental return on ad spend with randomized paired geo experiments. The Annals of Applied Statistics 16, 1–20 (2022); https://doi.org/10.1214/21-AOAS1493.
  50. 50.Chen, A., Longfils, M. & Remy, N. Trimmed Match Design for Randomized Paired Geo Experiments. Preprint at https://arxiv.org/abs/2105.07060 (2021).
  51. 51.Bhat, M. R. et al. Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM. Preprint at https://arxiv.org/abs/2606.16878 (2026).
  52. 52.Chen, H., Zhang, M., Han, L. & Lim, A. Hierarchical Marketing Mix Models with Sign Constraints. Preprint at https://arxiv.org/abs/2008.12802 (2020).
  53. 53.Abadie, A., Diamond, A. & Hainmueller, J. Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program. Journal of the American Statistical Association 105, 493–505 (2010); https://doi.org/10.1198/jasa.2009.ap08746.
  54. 54.Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. Inferring causal impact using Bayesian structural time-series models. The Annals of Applied Statistics 9, 247–274 (2015); https://doi.org/10.1214/14-AOAS788.
  55. 55.Li, P., Castelo, N., Katona, Z. & Sarvary, M. Frontiers: Determining the Validity of Large Language Models for Automated Perceptual Analysis. Marketing Science 43, 254–266 (2024); https://doi.org/10.1287/mksc.2023.0454.
  56. 56.Goli, A. & Singh, A. Frontiers: Can Large Language Models Capture Human Preferences? Marketing Science 43, 709–722 (2024); https://doi.org/10.1287/mksc.2023.0306.
  57. 57.Arora, N., Chakraborty, I. & Nishimura, Y. AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing 89, 43–70 (2025); https://doi.org/10.1177/00222429241276529.
  58. 58.Yeykelis, L., Pichai, K., Cummings, J. J. & Reeves, B. Using Large Language Models to Create AI Personas for Replication, Generalization and Prediction of Media Effects: An Empirical Test of 133 Published Experimental Research Findings. Preprint at https://arxiv.org/abs/2408.16073 (2024).
  59. 59.Heath, O. & Alexander, R. Correcting Mode Collapse in Silicon Sampling with Semantic Similarity Rating. Preprint at https://arxiv.org/abs/2607.28550 (2026).
  60. 60.Lukauskas, M. & Šarkauskaitė, V. Probable but Not Valid: A Psychometric Audit of Decision Models as Synthetic Survey Respondents. Preprint at https://arxiv.org/abs/2610.14912 (2026).
  61. 61.Wang, P., Wang, L., Li, Y. & Chen, X. Understanding Reliability in LLM-based Human Behavior Simulation. Preprint at https://arxiv.org/abs/2609.25066 (2026).
  62. 62.Pourtaheri, K. & Zareei, A. Behavioral History Outperforms Descriptions of the Person for LLM Synthetic Personas. Preprint at https://arxiv.org/abs/2610.03998 (2026).
  63. 63.Toubia, O. et al. Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions. Preprint at https://arxiv.org/abs/2505.17479 (2025).
  64. 64.Gui, G. & Toubia, O. The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective. Preprint at https://arxiv.org/abs/2312.15524 (2023).
  65. 65.Jin, Z. et al. Can Large Language Models Infer Causation from Correlation? In Proc. International Conference on Learning Representations (2024); https://arxiv.org/abs/2306.05836.
  66. 66.Du, J. et al. Ice Cream Doesn't Cause Drowning: Benchmarking LLMs Against Statistical Pitfalls in Causal Inference. Preprint at https://arxiv.org/abs/2505.13770 (2025).
  67. 67.Liu, F. & Liu, H. DS-Lighting: Making Agent Harnesses Explicit for Data-Science Automation. Preprint at https://arxiv.org/abs/2608.28590 (2026).
  68. 68.Tan, L. & Zrnic, T. Valid Inference with Synthetic Data via Task Exchangeability. Preprint at https://arxiv.org/abs/2606.13629 (2026).
  69. 69.全国人民代表大会常务委员会. 中华人民共和国个人信息保护法（Personal Information Protection Law of the People’s Republic of China）. 国家互联网信息办公室网站转载, https://www.cac.gov.cn/2021-08/20/c_1631050028355286.htm (2021).
  70. 70.弘犀智能（Great Unicorn Intelligence）. 快消与营销解决方案（FMCG & marketing solutions）. https://www.hxallai.com/solutions/fmcg/ (2026).
  71. 71.弘犀智能（Great Unicorn Intelligence）. 企业智能体平台 · Harness（Enterprise Agent Platform · Harness）. https://www.hxallai.com/platform/agent/ (2026).

【版权声明】本文版权归弘犀智能科技（深圳）有限公司所有。任何形式的转载、引用评论或改写，均须署名作者（弘犀智能研究团队）并注明出处（弘犀智能，https://www.hxallai.com）。

引用本文

弘犀智能研究团队. 预测谁会买，不等于知道谁被说服：大模型时代的营销增量必须由实验锚定[EB/OL]. 弘犀研究, 2026-11-05. https://www.hxallai.com/research/marketing-incrementality/.

参考格式：GB/T 7714—2015

交流探讨

想把这些方法用到您的业务里？

欢迎与弘犀智能的建模与智能体团队交流具体场景：从推理预算、证据链到可审计的决策流程，我们可以一起评估落地路径。

预约交流 返回弘犀研究