解读

面试官想知道三件事：

1. 你是否把眼动数据与用户生命周期指标打通（停留时长、点击、转化、复购）；
2. 你是否能把实验结果落地到排序策略，而不是只做一份“眼动报告”；
3. 你是否兼顾短期GMV与长期体验，避免“一眼吸睛但后续跳失”的陷阱。
   因此，回答必须体现“数据→洞察→策略→验证”的闭环，并给出可复用的国内电商落地路径。

知识点

1. 眼动核心指标：首次注视时间TTFF、注视点数量FC、总注视时长TFD、回视路径Revisit Path。
2. 用户分层模型：新客/老客、价格敏感/品质敏感、高活跃/低活跃，必须分群看眼动差异。
3. 首屏排序因子：基础分（销量、库存、文本相关性）、业务分（佣金、促销）、体验分（眼动权重、跳失预警）。
4. A/B实验框架：国内主流用字节DataTester或阿里达摩盘+淘宝AB平台，需同步埋点会员体系，才能追踪7日、30日LTV。
5. 合规红线：眼动实验需通过工信部《个人信息保护合规审计》，脱敏后使用聚合热区图，禁止存储原始眼球录像。

答案

我会把项目拆成四步，确保“眼动数据真正进排序公式”：

第一步，实验设计对齐业务目标
选取日活≥100万、SKU≥5000的频道页，按**“用户生命周期×价格带”**做拉丁方抽样，保证新客、老客、会员各≥300人，男女比例1:1，三线城市样本≥30%，贴合国内下沉市场。

第二步，眼动数据清洗与分层
用Tobii Pro或七鑫易维采集后，剔除眨眼>15%、校准偏移>1°的无效样本，保留≥85%有效数据。把TTFF<80ms定义为“瞬时吸引”，FC≥3且TFD>600ms定义为“深度兴趣”，与老客转化率做皮尔森检验，发现“深度兴趣”与支付转化相关系数r=0.42，显著高于行业基准0.28，确认眼动指标可纳入排序权重。

第三步，权重注入与实时排序
在现有TensorFlow Ranking框架新增EyeScore特征：
EyeScore = α×Norm(TTFF) + β×Norm(FC) + γ×RevisitPenalty
其中α+β+γ=1，首次实验α=0.5、β=0.3、γ=0.2，保证“瞬时吸引”占大头。把EyeScore与GMV、库存、佣金做Wide&Deep融合，线上小流量5%桶运行。

第四步，闭环验证与动态调优
跑满14天双周期（覆盖两个周末），核心指标：

• 首屏CTR提升≥6%；
• 详情页跳失率下降≥3%；
• 7日支付转化率提升≥4%；
• 老客复购率不下降≥-0.5%（守住体验底线）。
  若达成，则每7天滚动训练一次，用贝叶斯优化更新α、β、γ；若老客复购率<-0.5%，立即把γ提升到0.4，降低“吸睛但低质”商品，确保长期LTV。

通过以上四步，眼动数据从“研究”变成可解释、可回滚、可盈利的排序因子，实现业务增长与品牌忠诚的双赢。

拓展思考

1. 多模态融合：后续可把**眼动+脑电（EEG）+皮电（GSR）**做成“注意力-情绪”双轴模型，提前预测投诉风险，降低退货率。
2. 直播场景复用：把眼动热区与直播间弹幕情感分结合，实时调整主播口播顺序，有望把客单价提升8%以上。
3. 隐私计算：与蚂蚁隐语合作，用联邦学习让眼动特征不出本地，解决品牌方与平台间数据围墙问题，符合**《个人信息出境标准合同办法》**要求。