歴史的背景: 支払い分割機能は、伝統的にトラベルやB2Bサービスの垂直市場で支配的でしたが、モバイル決済の成長とともに、近年では通常のeコマース（エレクトロニクス、ファッション）での普及が始まりました。主要な分析の難しさは、ユーザーが社会的クラスター（若者グループ、家族）に自己選択され、購入の決定が共同で行われることにより、試験群と対照群の間に干渉が生じ、標準的なA/Bテストが無効になる点です。
問題の定義: 支払い分割がユニットエコノミクスの指標に与える純粋な因果効果を季節的な高価商品への需要変動、若年層における平均チェックの自然な増加傾向、社会的関係の内因性（裕福な友人がまた裕福な友人を招待する）、そしてカテゴリーごとの段階的な展開によって歪められる時間的切片から切り離す必要があります。
詳細な解決策: 最適なアプローチは、Difference-in-Differences (DiD) と「社会的グラフ」レベルでのクラスタランダム化の組み合わせであり、Fuzzy Regression Discontinuity Design (RDD) を導入機能の閾値価格（例：30,000 ₽）で補完します。社会的関係の内因性を補正するためにIV（Instrumental Variables）アプローチが適用され、ツールとしてはロールアウト計画におけるカテゴリーの順序番号（外因変動）が用いられます。セグメントによる効果の異質性を評価するために、さまざまなユーザークラスターに対する条件付き平均効果（CATE）を特定するためのCausal Forestが使用されます。指標は2つのモードで評価されます: Intent-to-Treat (ITT) — ボタンの存在からの効果、そしてTreatment-on-the-Treated (TOT) — 実際の使用からの効果であり、これは**Two-Stage Least Squares (2SLS)**を通じて非適合性を適切に処理することを要求します。
文脈: 大手エレクトロニクスマーケットプレイスが、50,000 ₽以上の購入に対して「カートを共有する」機能を開始し、2人のユーザーが支払いを均等に分けることを許可します。パイロットは「スマートフォン」カテゴリーで開始され、「ノートパソコン」に拡大することが計画されています。最初の月の商業データでは、テストカテゴリーでの平均チェックが25%増加したと報告されていますが、アナリストは機能を利用する70%のユーザーが18-22歳の学生で、これまで低いARPUを持っていたが、パイロットでは共同でiPhoneを購入することで「共同購入」の効果を生んでいるのではないかと疑っています。
解決策案1: 単純なBefore/Afterの比較（平均に対するt検定）。 プラス: 瞬時に実行可能で、複雑なインフラを必要としない。マイナス: 季節性を完全に無視し（学年度の始まりがガジェットへの需要を高める）、モバイル商業の全体的な成長トレンドや50,000 ₽のしきい値に対する高額注文の自己選択を考慮していません。結果は15-18ポイント上方に偏っています。
解決策案2: 「アクセサリー」カテゴリーを対照群として使用したDifference-in-Differences。 プラス: 一般的な時間的トレンドを排除し、解釈が簡単です。マイナス: 平行トレンドの仮定が破られています — スマートフォンカテゴリーは需要の弾力性が異なり、アクセサリーとは異なる価格の動態を持っています。加えて、スピルオーバー効果も存在します: ユーザーはスマートフォンを共同で購入できますが、ケースは対照カテゴリーでの支払い分割なしで購入されています。
解決策案3: 閾値50,000 ₽に厳密に基づくRegression Discontinuity Design (RDD)。 プラス: 外因的しきい値を利用して擬似実験を行い、しきい値での局所効果（LATE）を評価します。マイナス: 全価格範囲にスケールされず、80,000 ₽の注文を無視します（ここでの効果は異なる可能性があります）。また、ファジーな特性があり、ユーザーは条件に合うように価格を操作（アクセサリーを追加）できます。
選択した解決策とその理由: ハイブリッドアプローチを実施しました: 45,000-55,000 ₽の注文に対してFuzzy RDD（しきい値での純粋な識別）を使用し、全体的なトレンドには**Synthetic Control Method (SCM)**を使用し、導入前のスマートフォンの動態を再現するために他のカテゴリーからの重み付き人工コントロールを作成しました。社会的効果には、グループで使用されるデバイスのIDを使ったクラスタリングを適用しました。
最終結果: 真のインクリメンタル効果は平均チェックに対して+8.4%でした（観察された+25%の代わりに）。18-25歳のセグメントでのコンバージョンは12%増加しましたが、次の四半期に購入頻度が5%減少しました（購入先送りの効果）。この機能は、効果が統計的に有意である40,000-70,000 ₽のカテゴリーにのみ展開されました。
1. 社会的グラフによる干渉の問題: 対照群のユーザーがテスト群の友人から招待されて共同購入する可能性がある。
回答: 伝統的なA/BテストではStable Unit Treatment Value Assumption (SUTVA) — ユニットの独立性を仮定しています。支払い分割の場合、これは破られます。なぜなら、1人のユーザーのtreatment（ボタンの存在）が他者の行動（招待）に影響を与えるからです。正しい解決策は、社会的コンポーネント（友情のグラフ）レベルでのクラスタランダム化、またはexposure mappingによるネットワーク効果の分析で、ここでexposureは機能にアクセスできる友人の割合として定義されます。代替としては、実験前にグラフを孤立したクラスターに分割するための二部グラフクラスタリングの使用が考えられます。
2. 低い機能浸透率の条件下で、ITT（Intent-to-Treat）効果とTOT（Treatment-on-the-Treated）効果の違い。
回答: 多くのアナリストは、ボタンを見たすべての人（ITT）の効果を、実際にそのボタンを使用した人（TOT）の効果として誤って評価しています。もしボタンを見た人のうちの10%しか「分割」を押さない場合、ITTは真の効果を10倍過小評価します。TOTを評価するためにはIVアプローチが必要であり、ここでツール$Z$はボタンの表示（ランダム）、内因的変数$D$は使用の事実です。2SLSの評価は、機能が利用可能であった場合にのみ機能を利用する「compliers」に対するLocal Average Treatment Effect (LATE)を提供します。これはビジネスケースにとって重要です: 「共同購入しやすい」者の効果は、平均効果の3-4倍に達します。
3. 長期的なカニバリゼーションと先見越しバイアス: 支払い分割は新たな需要を生み出さず、将来の個々の購入を現在の集合的購入に再配分する可能性がある。
回答: 候補者はしばしば即時の取引指標のみを見ます。90日以上の視点で、支払い分割を利用したユーザーの購入頻度をマッチングされた対照と比較するコホート分析が必要です。これは前処理特性（チェックの履歴、季節性）に基づく**propensity score matching (PSM)**を構築する必要があります。加えて、compositional shift—商品が高マージンだが購入の再発生が少ない商品（例：ゲームの代わりにコンソール）に偏っていないかを確認することが重要で、これがチェックの増加の錯覚を生み出すことになります。