解读

面试官真正想验证的是：你能否把“算法性能”翻译成“经营语言”。国内企业对AI投入越来越理性，CFO 关心“花了多少钱、省了多少钱”，业务老大关心“人效、周转、库存、坏账、客诉”这些硬指标。因此，回答必须同时满足三层要求：

1. 指标可落地——能直接取自财务或运营系统，不新增埋点成本；
2. 因果可证明——通过 AB 实验或双重差分，排除季节、政策、竞品干扰；
3. 结果可复盘——把技术收益拆成“降本、增收、控风险”三类，方便向高管汇报。

知识点

1. 经营效率指标池：人效（营收/人头、利润/人头）、资产周转（库存周转天数、应收账款周转天数）、流程耗时（端到端时长、审批节点数）、资金效率（现金转换周期）。
2. 技术→业务归因方法：
   • 实验组/对照组：同一业务单元按客户尾号随机分组，保证样本同质；
   • 双重差分 DiD：上线前后对比，并减去未上线区域的自然增长；
   • 合成控制：用未上线省份的加权组合模拟“假设不上线”的基准。
3. 成本分摊规则：一次性成本（数据标注、训练服务器折旧）按 36 个月摊销；持续性成本（GPU 租赁、云存储）直接计入当期；模型迭代成本单独建项，避免“隐形费用”稀释 ROI。
4. 合规与风险：涉及个人数据的效率指标（如智能客服替代率）需通过网信办安全评估，并在 ROI 中预留 5%–8% 的合规准备金。
5. 汇报格式：采用“1 页 CFO 视图”——指标、基线、实验结果、年化收益、投资回收期，全部用人民币结算，避免“准确率提升 5%”这类技术黑话。

答案

衡量 AI 产品对运营效率的贡献，我分四步落地：
第一步，选“经营杠杆”最明显的单一指标做北极星。例如供应链金融风控 AI，就把“应收账款周转天数”定为北极星，因为它直接释放现金流。
第二步，建立因果闭环。上线前选取 6 个区域公司，按客户编号随机拆成实验组（AI 授信）与对照组（人工授信），保证两组历史逾期率差异 <0.3%。上线后跑 90 天，用双重差分得出 AI 组周转天数下降 12.4 天，对照组仅下降 1.8 天，净效应 10.6 天。
第三步，把“天数”换算成“人民币”。公司年均应收账款 38 亿元，融资成本 5.5%，10.6 天释放现金 1.1 亿元，年化财务费用节省 605 万元。减去 GPU 租赁、数据标注、模型迭代等年度成本 118 万元，净收益 487 万元，ROI 412%，投资回收期 2.9 个月。
第四步，横向扩展并持续复盘。将模型推广到剩余 20 个区域，同时监控“逾期率”是否反弹；每季度用合成控制法剔除宏观利率变化影响，确保收益持续为正。最终把结果写成“1 页 CFO 视图”提交财委会，获得下一年度 2000 万算力预算批复。

拓展思考

1. 如果公司处于强监管行业（银行、证券），指标里必须加入“合规成本”与“潜在罚金”两项，用风险调整收益（RAROC）替代简单 ROI。
2. 当 AI 产品带来的效率提升表现为“人力替代”时，要提前与 HR 测算“社会裁员成本”与“员工转岗培训费”，避免舆论风险反向侵蚀品牌溢价。
3. 对于“增收型”AI（如推荐算法），除了 GMV 还要盯住“退货率”“毛利率”，防止低价爆品拉高营收却稀释利润；可用“边际毛利贡献”作为校正指标。