解读

面试官问的是“最佳发送点”，不是“用户什么时候最活跃”。
在国内互联网场景里，最佳发送点=用户最可能点开且产生正向业务动作（点击、下单、分享、回访）的分钟级时间窗口。
因此，答题必须同时回答三件事：

1. 如何把“活跃时间序列”升级为“有效响应时间序列”；
2. 如何用中文数据生态内可落地的模型做分钟级预测；
3. 如何在线闭环验证并持续迭代，让运营同学第二天就能用。

知识点

1. 有效响应时间序列：以“发送→曝光→点击（或下单）”的转化链路为因变量，重新采样成1分钟或5分钟颗粒度，解决“用户在线却不点开”的伪活跃问题。
2. 多周期STL+Prophet+XGBoost融合模型：
   • STL拆解“日、周、月”三重周期，捕获国内特有的工作日早晚高峰与周末凌晨夜宵双峰结构；
   • Prophet引入春节、618、双11、会员日等中国电商大促节点做节日回归；
   • XGBoost把“前序消息疲劳度”“当日已发次数”“实时库存水位”等运营强特征拼进去，10分钟级增量训练，解决“模型昨天还准、今天就不准”的国内高频活动场景。
3. 触发阈值动态化：用** uplift 模型**算“早发1小时 vs 晚发1小时”的增量收益，大于0.8%才发，避免“用户在线但转化低”的无效触达。
4. 工程落地：
   • 数据层：Kafka→Flink→Hive→Redis的实时链路，保证0:00—23:59任意时刻都能取到最新特征；
   • 服务层：Python pickle模型+Java在线推理，TP99<30ms，满足国内主流推送通道**QPS 2万+**的并发要求；
   • 运营层：输出**“最佳发送分钟+置信度+建议文案标签”三维结果，直接落到企业微信机器人**，运营一键确认即可创建任务。
5. 合规与体验：
   • 遵循《个人信息保护法》“最小必要”原则，序列特征全部脱敏哈希；
   • 内置**“疲劳度熔断”：同一用户24小时内最多接收2条营销消息**，防止国内安卓厂商OPPO、vivo、小米等通道因投诉率升高而降权。

答案

“我会把题目拆成四步，两周内上线，首周提升点击率18%以上。
第一步，重新定义序列。把过去90天、颗粒度1分钟的用户行为日志，以‘消息点击=1，忽略=0’重采样，得到‘有效响应时间序列’，而不是简单的在线心跳。
第二步，建立多周期融合模型。用STL先把‘工作日7:30—9:00、20:00—22:30’与‘周末0:00—1:00’的双峰周期拆解出来；再用Prophet加入618、双11、会员日的国内节日回归；最后把当日已发次数、实时库存、前序疲劳度等强特征喂给XGBoost，每10分钟增量训练，保证模型对‘今天突然加场直播’的临时活动也敏感。
第三步，在线预测+ uplift 阈值。对每一个用户、每一条待发消息，模型输出未来24分钟级点击概率曲线，再用 uplift 算‘早发 vs 晚发’的增量收益，只选收益>0.8%且置信度>85%的分钟窗口作为最佳发送点。
第四步，闭环验证。消息发出后，10分钟内回传曝光、点击、下单三级数据，实时计算AUC与 uplift 下降率，>5%就自动回滚到昨日模型，确保运营同学第二天醒来看到的是依然靠谱的发送建议。
上线后，我们用Honor of Kings玩家召回场景做A/B：实验组按模型推荐分钟发券，对照组按老规则‘20点整点推送’，7天点击率提升18.4%，券核销率提升12.1%，投诉率下降35%，通道权重保持vivo A级。”

拓展思考

1. 多通道错峰协同：国内用户设备碎片化，小米、华为、OPPO系统通道互斥。下一步可把“最佳发送点”扩展成**‘通道-分钟’二维矩阵**，用强化学习做全局最优，避免同一用户多通道同时轰炸。
2. 内容敏感度叠加：把“最佳发送点”与“文案情绪值”联合建模，情绪激进型文案放在用户情绪高亢窗口（如周五深夜），理性比价文案放在通勤碎片窗口，实现时间×内容双维个性化。
3. 长周期价值校准：目前优化的是点击或下单，但国内平台越来越看30日LTV。后续可用因果森林把“发送时间→30日GMV”直接建模，把短期 uplift 升级为长期 uplift，让“最佳发送点”真正对齐品牌忠诚与业务增长的双重目标。