1.厘清因果
了解业务需求，定义样本和时间窗口，构造Treatment与Y-label
- T：是二元处理还是多处理问题（多处理问题的不同处理是互斥、还是同时发生的），处理是否时变
- Y-label用UE还是LTV？
2.数据处理
数据分析与预处理，识别变量角色，提取 RCT 数据，估计PS检查overleaf(数据层面去偏)
- 数据分析；基础预处理：缺失值、异常值、数据变换
- 是否存在预后变量？（例：在RCT的OOT样本上top-1中两组比例不符预期）
- 数据层面去偏（PSM、IPW、分层） or 模型层面去偏（DML、DR、X-learner、DragonNet）
- 去偏验收：SMD、PS overlap、X→T的AUC变化
3.特征处理
特征筛选与验收，(特征解耦)
- 控制混杂特征：遗漏变量偏差 / 过拟合-方差变大；不依从性情况下加入 IV
- 验收：有rct情况下看误差、区间估计；无rct看排序能力
4.因果建模
模型建立、评估
- Meta-Learner、DR类、表征学习联合建模
- 精度（有真值）、排序能力、鲁棒稳定性
5.总结报告
完整流程闭环后，总结、归档
- 可视化评估效果、不足与优化
- 全流程文档、中间数据、模型权重，支持后续迭代复盘