解读

面试官问的是“分群策略”对“整体ROI”的“贡献占比”，而不是简单问“分群有没有用”。
核心考点有三层：

1. 因果识别：必须证明 ROI 的提升确实由分群策略带来，而非季节、大盘流量或同时上线的活动。
2. 贡献拆解：把总增量 ROI 拆成“分群带来的”与“其他因素带来的”，并给出可复用的计算框架。
3. 结果落地：算出占比后，能反向指导预算再分配，让面试官看到“钱怎么继续花才更值”。

知识点

1. 国内主流归因模型：

   • LTV 增量法：分群前后 90 天 LTV 差值 × 分群覆盖人数，得到“分群增量利润”。
   • Uplift Model：用双重机器学习（X-learner）估算“如果未分群”的 counterfactual ROI，避免“看结果倒推”的伪因果。
   • 营销混合模型（MMM）+ 分群虚拟变量：在京东、阿里妈妈常用，把“是否被分群触达”作为 0/1 变量扔进营销组合模型，直接输出弹性系数。

2. 关键指标口径（必须符合国内财务审计要求）：

   • 利润口径 ROI =（分群带来的增量毛利 − 分群运营成本）/ 分群运营成本。
   • 贡献占比 = 分群增量利润 / 整体业务增量利润，分母必须剔除自然增长（用对照组或贝叶斯结构时间序列 BSTS 预测 baseline）。

3. 数据边界：

   • 必须拿到用户级收入成本明细，国内只有私域（小程序、社群、APP）和阿里品牌数据银行、京东九数能下沉到 UID，否则只能用“人群包曝光-转化链路”近似。
   • 若涉及优惠券，需用“券后毛利”而非 GMV，防止高折扣虚增 ROI。

答案

给面试官一个“3 步 2 表 1 结论”的实战话术，全程用中文业务语言表达，避免炫技：

第一步：锁定实验组与对照组
“我们会把当期 DAU 按核心分层维度（近 30 天消费频次 + 品类偏好 + 折扣敏感度）拆成 8 个群，只对其中的‘高潜低活’群做差异化权益（例如 88-20 专享券 + push）。同时留 10% 完全同质的随机对照组，什么都不做，用来剔除自然回升。”

第二步：算增量利润
“实验周期 28 天，用LTV 增量法：

1. 实验组实际毛利 1200 万，对照组用 CUPED 修正后推算 900 万，增量毛利 300 万。
2. 分群运营成本 50 万（券成本 40 万 + push 通道费 10 万）。
3. 分群策略 ROI =（300 − 50）/ 50 = 5.0。”

第三步：算贡献占比
“整个业务同期总增量利润 500 万（已用 BSTS 剔除季节因子）。因此分群策略对整体 ROI 的贡献占比 = 300 / 500 = 60%。剩余 40% 来自新品上线和搜索放量，后续会把预算再向高潜低活群倾斜 30%，预计还能把整体 ROI 再抬 15 个点。”

用以上话术，面试官能清晰听到“实验设计-因果识别-财务口径-预算闭环”完整链路，既专业又落地。

拓展思考

1. 长期占比漂移：分群策略的边际收益递减，建议每季度做一次增量 ROI 衰减曲线，当贡献占比 <15% 时触发策略迭代。
2. 多策略重叠：国内大促期常出现“分群 + 平台津贴 + 直播间红包”三重叠加，可用Shapley Value把利润再拆一次，防止各团队抢功劳。
3. 隐私合规：2024 年起《个人信息出境标准合同办法》收紧，若分群模型用到境外 SaaS 工具，需先做个人信息保护影响评估（PIA），否则 ROI 算得再漂亮也无法落地。