企业官网建设流程全解析

Oransim 是一个面向营销决策的开源**因果数字孪生（Causal Digital Twin）**平台，核心口号是"在花一分钱之前，先预测你的投放 ROI"。而它最硬核的部分，是一张由领域专家手工设计的64 节点、117 条边的结构因果模型（SCM）图：从宏观环境、投放决策、算法分发，一直到点击、转化、复购，再到品牌记忆与长期品牌资产，每个节点、每条因果边都写在代码里，任何一条营销预测都能沿着这张图逐层追溯、透明可审计。

本文将带你完整拆解这张 Oransim 64 节点因果图的 8 层结构、"曝光 → 品牌记忆"的关键路径，以及它如何用do()反事实运算支撑投放决策 🎯

为什么营销预测需要一张因果图？

大多数营销预测工具（MMM 营销组合模型、AutoML、甚至 LLM"拍脑袋预测 ROI"）给出的都是一个没有推导过程的数字：

• MMM只拟合总营收曲线，无法回答"24 个素材 × 达人 × 预算组合中，哪一组 ROI 最高"；
• DMP / 观测型数据平台只汇报"已经发生了什么"，无法推演"如果第 3 天换掉 2 个达人会怎样"；
• 黑盒模型连 SHAP 都替代不了真正的因果图——归因解释 ≠ 因果路径。

Oransim 的思路是：与其让模型自己"学"出一条隐式因果链，不如把营销领域的因果知识显式建模成一张图，让预测引擎沿着图上的边做推理。这样每个输出数字都可以回答一个问题——"它是怎么算出来的？"

64节点、117条边：8层因果图全景

这张图定义在 backend/oransim/causal/scm.py 中，共8 个层次（L1–L8），完整覆盖"外生环境 → 品牌存量 → 投放决策 → 算法分发 → 用户状态 → 群体话语 → 转化漏斗 → 商业产出"的营销因果链：

几个值得注意的设计点：

• 12 个 L3 决策节点是唯一的干预入口。你想"调预算"、"换达人"、"改文案"，本质都是在这 12 个节点上施加do()干预；
• 图是有环的（cyclic）。比如复购 → 品牌资产 → ECPM竞价 → 下一周期曝光分发这样的长期反馈回路是故意的——真实营销就是这么滚雪球的，强行删边反而失真；
• 节点还标注了time_varying（时变）与computed_by（由哪个模块真实计算，如brand_memory.py、hawkes.py），让"图"和"代码"一一对应。

从曝光到品牌记忆：一条主链的路径追踪

以"曝光 → 点击 → 品牌记忆"这条最有代表性的路径为例，沿着图上的边一步步走：

总预算 → ECPM竞价 → 曝光分发 → 曝光次数 → 广告回忆 → 点击 → 互动 ↓ ↓ 品牌回忆 品牌好感

• 曝光侧：总预算 → ECPM竞价 → 曝光分发，再经算法放大（冷启破圈）与自然扩散（Hawkes 二次曝光）影响实际曝光次数与唯一覆盖；
• 点击侧：曝光次数 → 广告回忆 → 点击，同时受注意力、用户疲劳、人群匹配度、达人信任等多条边共同调制——所以同样的曝光量，点不点得出，图上都有对应的因果解释；
• 品牌记忆侧：广告回忆 → 品牌回忆（ad_recall → brand_recall）、互动 → 品牌好感（engagement → brand_favor），最终汇入 L2 的品牌资产，并在 L8 形成品牌认知 lift / 好感 lift等长期产出——投放的短期 ROI 和长期品牌记忆，第一次被放在同一张图里统一计算。

品牌回忆等长期状态的具体实现位于 backend/oransim/agents/brand_memory.py，图中通过节点的computed_by字段可以直接跳转到对应源码，这也是"可审计"的微观体现：每个图节点都能指到一段真实代码 📖

反事实预测：do() 算子的三步评估

有了图，"如果第 3 天把达人 A 换成 B，ROI 会怎么变？"这类问题就变成了标准的因果干预。Oransim 按 Pearl 三步法（abduction → action → prediction）实现，代码位于 backend/oransim/causal/ 目录：

1. Abduction（溯因）：在代理层复用基线采样噪声，在图层冻结各节点残差——保证"同一个虚拟世界"；
2. Action（干预）：对do(kol=swap_A_for_B)这类干预节点固定取值、零化入边；
3. Prediction（预测）：对无环部分按拓扑序前向计算，对反馈环部分用数值迭代求不动点。

由于图里有环（严格说环上的 Pearl 溯因未定义），Oransim 采用了 Bongers et al. 2021 的带环 SCM 推广：把图中 25 个节点的反馈强连通分量（SCC）当作一个整体求不动点，实测 2–3 次迭代即收敛。

如果下游需要严格无环的 DAG（例如教科书式 Pearl 三步、DAG 注意力掩码），OSS 版也提供了时间展开投影dag_dict_unrolled(n_steps=K)：n_steps=2时，64 节点 + 117 边的有环图会展开成128 节点 + 220 边的严格 DAG，14 条反馈边通过 DFS 回边分析自动检测、并跨时间片复制（src_t0 → dst_t1）。

透明可审计：把因果图当 API 来查

"可审计"不是一句口号，Oransim 把因果图做成了可查询的接口和可回归的测试：

也就是说，/api/predict返回的 14–19 类结构化输出中，audit_trace是专门给"审计"用的：它解释这个 ROI 数字来自哪条因果路径、哪些虚拟用户的行为，而不是一句"模型说如此"。这正是 README 里那句"No 'trust us, it's ML' — every prediction is decomposable"的工程落地 ✅

支撑因果图的"百万人社会"

图上的节点是"变量"，而变量背后的取值来自一个100 万规模的可扩展虚拟消费者社会：通过 IPF（迭代比例拟合）按真实中国人口分布（年龄 × 性别 × 地域 × 收入 × 平台）校准生成，每个虚拟用户携带人口属性、兴趣亲和向量、分平台互动先验，其中高显著性个体升级为 LLM 驱动的 Soul 人格，直接"阅读"你的真实素材并给出反应。

因果图回答"路径怎么算"，虚拟社会回答"值从哪来"，两者组合起来，才是一次完整、可复核的营销因果预测。

60 秒跑起来：亲自查看这张图

git clone https://gitcode.com/gh_mirrors/or/oransim cd oransim && pip install -e '.[dev]' # mock 模式启动后端（无需 API Key） LLM_MODE=mock python -m uvicorn oransim.api:app --port 8001 # 直接拿到 64 节点因果图的 JSON curl http://localhost:8001/api/graph/inspect

前端启动后（python -m http.server 8090 --directory frontend），左侧面板可配置素材与预算，下方"反事实沙盘"直接拖动滑杆做do()干预——比如把预算从抖音挪到小红书，立即看到 14 天扩散曲线与原方案的差异：

想深入读代码？按这个顺序

总结：这张图给营销预测带来了什么

• 透明：64 个节点全部人工标注语义（中文标签 + 计算模块），预测路径可逐边解释；
• 可审计：/api/dag+audit_trace+ CI 不变量测试，图结构与预测归因双重可查；
• 可干预：12 个 L3 决策节点对应真实投放动作，do()反事实让"换达人、调预算、换平台"从拍脑袋变成可计算的假设检验；
• 长期视角：曝光 → 品牌记忆 → 品牌资产的反馈环让短期 ROI 与长期品牌资产在同一模型中互相约束。

对营销人而言，这不再是一个"预测黑盒"，而是一台可以打开盖子的营销因果数字孪生引擎 🚀