解读

面试官想知道三件事：

1. 你是否能把“召回券”这一干预手段与“180日LTV”这一长期价值指标建立因果关联，而不是只看短期核销或GMV。
2. 你是否熟悉国内数据闭环（埋点、ID-Mapping、归因、埋点合规）与实验文化（AB实验、AA空跑、显著性检验）。
3. 你能否把结论翻译成业务语言，让财务、品类、老板都听得懂，并给出可落地的迭代建议。

知识点

1. LTV定义：国内主流取180天累计实付GMV减去可变成本（券成本、支付手续费、履约补贴），而非收入口径。
2. 召回券常见类型：无门槛立减券、阶梯满减券、运费券、专享券包；需记录券批次ID、发放渠道、券面额、核销门槛、实际核销时间。
3. 实验设计：必须做随机分流AB实验，实验组=收到召回券，对照组=不收到任何券（或收到0元券），分流维度需用户ID哈希确保同一天内不交叉。
4. 指标拆解：
   • 召回率（T+7内是否回流）
   • 核销率（券是否被用）
   • 180日贡献利润（实付GMV－券成本－补贴成本）
   • LTV差异（实验组vs对照组）
   • ROI（增量利润 ÷ 券成本）
5. 统计方法：**双重差分（DiD）**解决季节波动，CUPED降低方差，Bootstrap计算置信区间；国内日活大，样本量≥10万才能检出≥3% LTV提升。
6. 数据合规：遵循《个人信息保护法》，埋点上报需用户授权，数据脱敏后入仓。
7. 常见陷阱：
   • 幸存者偏差——只分析核销人群会高估效果；
   • 券面额内卷——面额越高LTV越高但ROI可能倒挂；
   • 渠道污染——Push+短信双重触达需做渠道归因，避免重复计算。

答案

第一步实验设计：
从流失池（近30天未下单且历史有过2单以上）中随机抽取200万用户，按用户ID尾号哈希分成实验组和对照组各100万；实验组发放满99减20全场券，有效期7天，对照组不发券。

第二步数据回收：
通过埋点字段“coupon_batch_id=recall20_202406”标记实验组券，核销订单与对照组订单均写入dwd_order_detail表；用user_id关联dws_user_180d_summary表，计算180日累计实付GMV、券成本、履约补贴，得到贡献利润。

第三步因果衡量：
采用双重差分（DiD）模型：
ΔLTV = (实验组180日利润 − 实验组前180日利润) − (对照组180日利润 − 对照组前180日利润)
使用CUPED把前180日利润作为协变量，方差降低18%；Bootstrap 5000次得到ΔLTV置信区间。

第四步结果解读：
实验组180日LTV均值158.6元，对照组142.3元，提升11.5%（p<0.01）；券成本20元，增量利润16.3元，ROI=0.82，低于1，短期亏损；但把复购周期从45天缩短到38天，预计360日ROI>1，建议继续观察或降低面额至15元再测。

第五步业务落地：
把结论写成一页A4报告：顶部放**“召回券带来11.5% LTV提升，但ROI未过1”，中部放折线图**（LTV曲线）和柱状图（ROI对比），底部给三条建议：①面额15元再实验；②叠加品类券包提升客单；③对高潜流失（近7天浏览未下单）优先发放，预计整体ROI提升30%。

拓展思考

1. 长期副作用：连续3个月发券会让用户形成价格锚点，一旦停券次月流失率反弹高于对照组，需设置券冷却期（同一用户60天内最多收1张召回券）。
2. 多目标权衡：若公司当前GMV增速是OKR第一优先级，可接受ROI<1；若净利润是核心，可把LTV门槛从180日拉长到360日，并引入贴现率（8%）做NPV计算。
3. 模型升级：用Uplift Model（因果森林）预测券敏感人群，只对增量潜力高的用户发券，预计券成本节省35%且LTV提升保持10%以上；上线前需做离线AUC与在线实验双重验证，避免模型过拟合导致效果回撤。