解读

在国内互联网企业的用户运营面试中，面试官问 PSI 并不是想听“套公式”，而是考察三点：

1. 你是否能把“用户分层”与“特征监控”闭环到运营动作；
2. 你是否理解 PSI 的业务阈值与统计显著性双重标准；
3. 你能否在小时级或天级实时场景下，用 PSI 提前发现“活动刷量”“渠道掺水”等中国特有风险。
   因此，回答必须跳出“两段分布一比”这种教科书套路，把 PSI 嵌入运营生命周期。

知识点

1. PSI 本质：衡量两个时间点（或两个群体）同一特征的分布漂移，公式 Σ[(实际占比－预期占比)×ln(实际占比/预期占比)]。
2. 国标化分箱：在中国数据环境下，必须采用**等人数分箱（quantile）**而非等宽分箱，避免头部 5% 用户把区间撑变形。
3. 业务阈值：
   PSI＜0.1 稳定；0.1–0.25 预警；＞0.25 拒绝，该阈值在阿里、美团、京东的金融与营销场景已成内部规范。
4. 分层监控：对新客/老客、iOS/安卓、一二三线城市分别计算 PSI，防止“整体平稳、局部爆炸”。
5. 实时化：用 Flink 计算小时级 PSI，配合钉钉群机器人推送，超过 0.15 即触发运营熔断——暂停发券或下架活动，这是 2023 年抖音电商大促的标准动作。
6. 与运营指标联动：PSI 异常后，必须回追次日留存率、ROI 是否同步下跌，否则可能是良性漂移（如节日高消费用户自然增多），避免误杀。

答案

“我在上一家公司负责 618 大促的新客红包策略。为了监控模型特征稳定性，我搭建了T+0 的 PSI 看板：
第一步，离线基准：取 5 月 1–7 日无活动干扰的 200 万新客作为 Expected，按等人数 10 箱保存分位点。
第二步，实时对比：用 Flink 每小时捞取最新 50 万曝光用户，按同一分位点分箱，计算 PSI。
第三步，阈值决策：PSI>0.15 自动@我，30 分钟内拉通数据、算法、渠道三方排查；若 PSI>0.25，直接暂停该渠道投放，并触发用户质量复审。
618 当天，我们在 6 月 16 日 14:00 发现“近 7 日下单次数”特征 PSI 飙升至 0.32，细拆发现某信息流渠道刷量军团混入，当日 ROI 从 1.8 跌到 0.9；及时停投后，整体新客 ROI 回升至 1.6，多保住 900 万毛利。
事后复盘，我把该特征加入渠道评级黑名单，并推动算法同学用PSI 加权做在线模型修正，确保后续大促不再踩坑。”

拓展思考

1. 多特征联合 PSI：单特征稳定不代表整体稳定，可用平均 PSI 或主成分 PSI 做降维监控。
2. 与因果推断结合：PSI 异常后，用双重差分法验证是否真由渠道刷量导致，而非节日效应，避免过度熔断损失真实用户。
3. 隐私合规：2024 年《个人信息出境标准合同办法》生效，若特征含设备指纹等敏感字段，需先做联邦分箱再算 PSI，否则可能触碰数据出境红线。