解读

面试官问的是“实时干预预测路径”，而不是“事后复盘”。他想知道你能否在用户行为尚未完成、模型刚给出概率的毫秒级窗口内，用最小成本把用户拉回来并促成下单。核心考点有三层：

1. 预测粒度：能否把“转化概率”拆到人-货-场-时四维，而不是笼统的“人群包”。
2. 干预时机：能否在关键路径节点（如加购后30秒未支付）触发，而不是等用户退出APP。
3. 干预策略：能否用动态权益+场景话术+触点顺序组合，而不是全场9折轰炸。

知识点

1. 实时特征工程：

   • 客户端埋点→Flink CEP→Kafka→特征仓库的毫秒级链路；
   • 关键特征：页面停留时长滚动均值、优惠券敏感度得分、库存紧张度、竞品比价信号。

2. 轻量级模型：

   • 线上用GBDT+LR或FM的热更新版本，AUC≥0.85即可，延迟<50ms；
   • 模型输出转化概率p后，用Uplift Model算“干预增益”，只触达**ΔCATE>0且成本<LTV×5%**的用户。

3. 干预引擎：

   • 规则层：兜底“三率模型”（跳出率>65%、支付页停留>45秒、库存<20件）直接触发；
   • 策略层：权益池按RFM+价格敏感分层，动态拼出**“限时特权”**（如免息券+赠品二选一），文案AB测试实时收敛；
   • 触点层：优先站内信弹窗→Push→短信，30秒内完成闭环，避免打扰。

4. 效果回收：

   • 用实时实验平台做**“灰度秒级切流”**，核心指标：支付转化率↑、权益ROI≥3、退订率↓；
   • 异常监控：空补贴率<0.5%、接口超时率<0.1%。

答案

以电商大促“加购未支付”场景为例，我的完整打法分五步：

1. 埋点补全：在商品详情页、加购按钮、订单确认页埋毫秒级时间戳，确保滑动窗口能算**“加购-支付”间隔**。
2. 模型热启：用Flink实时拼接用户+商品+场景特征，输入GBDT得p(转化)，同步算** uplift = 干预后概率 – 原概率**。
3. 策略编排：
   • 若p<40%且 uplift>8%，发**“30分钟免息+包邮”**弹窗；
   • 若库存≤10件，文案改为**“仅剩10件，已帮你锁库存15分钟”**；
   • 若用户近30天拒收率>15%，不发实物券，改送VIP体验卡，降低逆向物流成本。
4. 触点顺序：APP内弹窗优先，5秒无响应再补Push；夜间22:30-8:00只走短信文字链，避免打扰率飙升。
5. 实时复盘：T+0看板监控券核销率、支付转化、补贴ROI，若ROI<1.5立即降权或停发，并把负样本回灌模型，30分钟迭代一次。

上线后，加购支付转化提升21.3%，补贴ROI 4.1，用户投诉量下降18%。

拓展思考

1. 多端联动：小程序、APP、直播间三端用户路径如何统一sessionId，避免重复补贴？
2. 长周期价值：实时干预容易透支未来需求，如何用因果推断算**“真实增量GMV”而非“提前消费”**？
3. 隐私合规：《个人信息保护法》要求“最小必要”，实时模型里设备指纹、竞品比价数据如何脱敏+联邦学习？