解读

面试官想知道三件事：

1. 你能否把“用户关闭推送”这一负向信号转化为可量化的疲劳度指标；
2. 你能否用国内可落地的数据工具（如阿里云Quick BI、字节火山引擎、腾讯有数）把离散事件拟合成连续曲线；
3. 你能否把曲线结果反向应用到分层运营策略，降低关闭率并提升ROI。
   回答必须体现“数据→模型→策略→验证”闭环，且符合国内隐私合规要求（《个人信息保护法》、《常见类型移动互联网应用程序必要个人信息范围规定》）。

知识点

1. 疲劳度定义：用户关闭通知行为可视为对推送“边际效用为负”的投票，疲劳度=1−保留通知概率。
2. 负向样本采集：需同时记录关闭动作（事件名：notification_off）与上下文维度（渠道、频次、时段、内容类型、近7日触达次数、是否大促期）。
3. 生存分析（Survival Analysis）：用Kaplan-Meier估计“从首次收到推送到关闭”的生存函数，曲线拐点即为疲劳临界点。
4. 参数拟合：对每日关闭率进行Weibull分布拟合，形状参数k<1表示随时间疲劳递减，k>1表示加速疲劳；国内常用Python库lifelines或阿里云PAI-Studio可视化拖拽完成。
5. 特征权重：用Cox比例风险模型量化“每日推送条数”对关闭风险的** hazard ratio（HR）**，HR>1说明每多推1条，关闭风险提升（例：HR=1.18，即提升18%）。
6. 合规注意：上报“关闭”事件前需在隐私政策中明确列出“用户关闭推送”属于业务功能所需的必要个人信息，否则不得上传设备ID。

答案

步骤一：数据准备

1. 在埋点V3.0中新增字段：is_notification_off=1，携带user_id、push_id、scene、send_time、content_type、累计近7日条数（cnt_7d）。
2. 剔除无效样本：卸载后触发的关闭事件、同一用户24小时内重复关闭只保留首次。

步骤二：生存曲线估计

1. 以“首次收到推送”为起点，“关闭通知”为终点，建立Survival DataSet，右删失用户为“仍开启”。
2. 用Kaplan-Meier画出不同频次分组（≤3条/天、4-6条、≥7条）的生存曲线，发现≥7条组中位生存时间仅4.2天，显著低于≤3条组的18天（p<0.001）。

步骤三：疲劳曲线拟合

1. 对“每日关闭率”做Weibull拟合，得形状参数k=1.34，表明疲劳呈加速上升；尺度参数λ=0.012，可推算任意天数的关闭概率。
2. 将曲线写入Redis缓存，支持实时查询：输入user_id即可返回该用户“再推1条”的预测关闭概率P_off。

步骤四：策略落地

1. 分层阈值：P_off>8%即进入“冷却池”，48小时内不再主动营销推送，仅保留交易类强提醒（订单发货、退款到账），符合**《个人信息保护法》第十三条“履行合同必需”**豁免条款。
2. 动态频控：将Weibull曲线嵌入火山引擎智能触达系统，实时调整每日推送上限，目标把关闭率从5.7%压到3%以内，同时GMV跌幅控制在2%以内；上线两周AB实验显示关闭率下降38%，GMV无显著损失。

步骤五：验证与迭代

1. 每周跑Cox更新模型，观察HR变化；若某内容类型HR突增>1.5，立即下线该素材。
2. 对冷却池用户推**“兴趣问卷”做二次分层，回收样本>2k即重新训练曲线，实现模型月更**。

拓展思考

1. 多通道联合疲劳：国内用户同时收到短信、微信服务号、APP推送，需建立多渠道联合生存模型，用Frailty Model把个体异质性作为随机效应，避免单通道模型低估疲劳。
2. 内容难度系数：同一频次下，“现金红包”类关闭风险是“新品资讯”的0.6倍，后续可把内容难度作为协变量加入Cox，实现“内容-频次”二维频控。
3. 长期价值权衡：过度压降关闭率可能导致**“消息触达不足”而流失，可引入CLV残差指标**——关闭率下降带来的CLV提升若小于边际运营成本，则停止继续收紧频控。