解读

面试官真正想验证的是：你能否在“最小可验证成本”与“统计显著性”之间找到平衡，既不让公司烧钱，也不让后续大规模投放踩坑。中国移动互联网赛道迭代极快，种子期窗口通常只有2～4周，因此“规模”不是拍脑袋，而是用数据反推、用场景校准、用动态迭代验证。

知识点

1. 分层抽样与同质性校验：先按核心行为维度（如30日下单频次、内容互动深度）把目标人群拆成3～5层，每层内部CV＜0.3方可视为同质，否则继续拆。
2. 最小样本量公式（比例型指标）：
   n = [Z²×p(1-p)] / E²
   其中Z取1.96（95%置信度），E取5%绝对误差（国内A/B平台通用阈值），p取预估转化率。若p未知，按保守值0.5计算，可得最小样本384人；再按10%无应答率放大，种子池≥426人。
3. 扩展系数：中国主流渠道D7留存衰减曲线呈“40%-20%-10%”漏斗，因此种子规模需乘2.5倍扩展系数，确保最终有效样本仍高于426。
4. 动态监控：上线后每12小时巡检置信区间半宽，若连续2个时段半宽＞8%，立即追加20%样本，直至收敛。
5. 合规红线：如含14岁以下用户，需按《个人信息保护法》获得监护人单独同意，样本量需额外预留15%法务流失。

答案

“我会用三步法锁定种子规模：
第一步，用行为指标拆层，确保层内方差小于0.3；
第二步，按最小样本公式算得426人，再乘2.5倍扩展系数，得到约1100人的种子池；
第三步，上线后每12小时监控置信区间，半宽一旦超标就自动追加20%样本。
这样既把统计误差压到5%以内，又把预算浪费降到最低，单用户成本可控制在日常买量价的1.2倍以内，过去在K12直播课项目里用同样方法，把后续大规模投放的转化率预测误差从±18%降到±4%，两周内帮公司节省投放预算120万元。”

拓展思考

1. 若产品为多角色平台（如滴滴司机+乘客），需分别建立种子池，交叉网络效应会让最小样本量再上浮30%。
2. 在微信私域场景，由于好友裂变会带来非独立样本，需用VIF（方差膨胀因子）>2.5做修正，否则置信度会被虚高。
3. 未来想进一步压缩规模，可引入贝叶斯序贯检验，把先验数据与实时数据融合，样本量最多可再降25%，但对数据清洗要求更高，**缺失率必须<1%**才能收敛。