在如今的大数据时代,信息传递与反馈变得尤其快速,随着科学技术的不断发展,人类社会步入崭新的信息化时代,互联网的迅速发展使得人们的生活方式发生了极大的改变。各种打车的APP层出不穷,出行变得越来越方便。而对于运营打车APP的企业,在市场竞争不断加大的情况下,如何更好的运营,对不同的乘客使用独特合理的策略,从而提高收益和留存率,成为大家关注的话题。乘客干预效应是智能补贴算法的一环,它的涵义是指乘客被发放优惠券、收到召回短信等措施干预后,对干预做出的反应情况。智能补贴算法在不同的场景下有着不同的作用和需求,我们需要考虑补贴成本是否足以支撑商业逻辑。因此,我们没有办法按已经成熟、可以落地的广告和推荐等领域的算法,最大化转化率或者点击率来实现,只能开拓新的算法谱系,这个算法谱系的核心是增量预估算法和动态规划的结合。也就是说,可以通过增量预估,预测得到不同金额成本带来的增量,通过动态规划找到一个组合,使得增量最大的同时满足成本限制。增量预估算法本质上属于因果推断。近年来,探索因果关系的研究越来越受统计学与计算机科学领域学者的青睐。因果关系与相关关系既有相似又有不同,而在现实业务逻辑中,我们更关心的是变量间因果关系的识别,而不是相关关系的断定,由此产生了因果推断的研究领域,利用试验性研究或观察性研究得到的数据,评价变量之间的因果作用以及挖掘多个变量之间的因果关系。因果推断在生物和医学领域开始比较早,应用也比较广泛,它的理想情况,是希望从真实的观察数据中找到因果关系,但是这个问题以目前的学术研究条件尚不足以解决,有学者评论说这很可能会是成功迈向AI的第一步,足以见其难度。因此,我们采用另外一种目前应用更广泛的方法,即AB实验,来衡量某个因素对最终结果,这一方法客观且较为准确,缺点是要进行实验,即控制其他变量不变,只施加某个干预,并观察它对结果的影响,这也是因果推断的一种简化。本文就主要研究了在滴滴出行的商业背景下的增量预估算法,即乘客干预效应（乘客被发放优惠券、收到召回短信等措施干预后,对干预做出的反应情况）,重点看乘客被干预后一段时间内的GMV的提升情况。在研究过程中,为了获取数据,首先需要进行AB实验,在实验环节,由于我们在研究乘客的干预效应时,落地场景一般是对处于衰退期乘客的召回,因此,在人群选择时定位了处于衰退期的人群。同时,为了保证数据的有效性,在AB实验配置环节,进行了分组方法上的创新,采用匹配均值的分组方法,更有效地消除了协变量的影响,保证对照组和实验组在各个特征的分布上更加一致,从而提高数据的准确性和有效性。在获取实验数据后,我们构建了43个特征变量,然后进行了因果推断相关模型构建,通过模型进行了异质性的乘客干预效应研究预测,即预测乘客在被发放优惠券后,对干预做出的反应情况,通过对一段时间内的成交总额的增量预估,更精准的锁定用户群,从而减少补贴成本的浪费,提高补贴发放的效率。