解读

面试官问的是“怎么把双重差分（DID）落地到用户运营场景”，而不是背公式。他要确认三件事：

1. 你能否把业务动作抽象成“干预”（如发券、Push、会员升级）；
2. 你能否找到合适的对照组，排除季节、大盘、竞品等噪音；
3. 你能否用数据证明干预带来的净效应，并指导下一步预算分配。
   回答必须体现“数据合规+业务可解释+结果可迭代”三大原则，否则会被追问“你们怎么保证平行趋势”“样本量不够怎么办”。

知识点

1. 平行趋势检验：干预前≥4期核心指标（如DAU、GMV）走势需一致，可用事件研究法画折线图。
2. 干预组选取：优先用**“准实验”**思路——系统灰度、渠道溢出、用户分层抽签，避免“愿意参加活动的用户本身就活跃”的选择偏差。
3. 对照组构造：
   • PSM±卡尺匹配：用近30天消费频次、末次访问距今天数、品类偏好等20+特征，卡尺0.02以内一对一匹配；
   • Cohort分层：若全量匹配不足，可先做**“同类目同城市同消费层级”**三层分层，再在各层内PSM。
4. 双重差分方程：
   Y_it = α + β·Treat_i + γ·Post_t + δ·(Treat_i×Post_t) + λX_it + μ_i + τ_t + ε_it
   其中δ是核心系数，代表净效应；μ_i为用户固定效应，τ_t为时间固定效应，X_it为协变量（如节假日、发券强度）。
5. 显著性与经济意义并重：δ在5%显著即可，但ROI≥1.5才是业务可落地阈值；若δ不显著，需做分组DID（iOS/安卓、新老客）找敏感人群。
6. 合规红线：中国《个人信息保护法》要求**“最小可用”**原则，匹配特征须脱敏，用户ID要哈希，报告对外只给聚合值。

答案

以“618期间给高潜流失用户发满200减20优惠券”为例，分五步落地：

1. 定义干预与窗口：
   • 干预组：5月25日系统灰度推送券，用户无法主动领取；
   • 对照组：同批次高潜流失用户未收到任何券（技术侧写死尾号奇偶分流）。
2. 平行趋势验证：
   取5月4日-5月24日共3周支付金额，两组t检验p=0.83， visually 重叠，通过平行趋势。
3. 匹配与扩样：
   用PSM卡尺0.01匹配后，干预组n=4.2万，对照组n=4.1万；样本充足，检验功效>90%。
4. 跑DID：
   因变量选“支付金额+登录天数”，Stata代码：
   xtreg gmv i.treat##i.post treat##c.covariates i.date, fe cluster(user_id)
   结果δ=+18.6元，p<0.01，ROI=2.3，满足业务阈值。
5. 结果落地与迭代：
   • 把δ按人群拆解，发现**“近90天未购但近7天有浏览”**子人群δ高达+32元，于是618第二波追加300万预算专投该人群；
   • 同步监控**“券倒卖”**风险，发现异常订单占比<0.4%，合规通过。

拓展思考

1. 多期干预：若券分三波发放，可用事件研究法画动态δ_t，看效应衰减，决定**“补券”节奏**。
2. 空间DID：区域差异化定价时，把城市按GDP三分位，用**“相邻城市对”**做空间对照，排除物流、天气差异。
3. 生存分析+DID：对召回用户，可把“是否回流30天”当生存函数，用Cox+DID看券对存活率的净提升，避免只看短期GMV。
4. 负向效应监控：若δ显著但次日留存下降，需用双重机器学习方法（ causal forest ）找“被券伤害”的用户，及时降权或补偿，防止品牌忠诚度反噬。