解读

面试官想验证三件事：

1. 你是否真正跑过国内真实用户数据（DAU、付费、券敏感度等），而不是只背论文；
2. 能否用业务语言把算法指标翻译成运营结论（“这个群就是618高潜”）；
3. 是否知道中文App环境下的常见坑：ID映射、埋点缺失、羊毛党、iOS14隐私新政。
   回答必须“算法—指标—业务”三段闭环，且给出可落地的AB实验设计，否则会被判“不接地气”。

知识点

1. 核心假设差异

   • K-means：硬性边界、球形簇、等方差，对“羊毛党vs.高净值”这种重叠分布容易误判。
   • GMM：软性归属，可建模不同方差与协方差，更适合“付费意愿连续渐变”的中国用户。

2. 评估指标

   • 算法层：轮廓系数（Silhouette）、Calinski-Harabasz、BIC（GMM专用）。
   • 业务层：分群后7日LTV提升、券核销率差异、召回实验响应率；国内老板只看后者。

3. 中文数据特有的预处理

   • 多平台ID打通：微信 OpenID + 手机号 MD5，需做一致性哈希归一。
   • 异常清洗：拼多多型“0元购”订单金额设为缺失，否则会把K-means质心拉到负值。

4. 运营落地

   • 分群结果必须可解释≤3个标签，例如“高客单+晚间活跃+小程序来源”。
   • 最终上线前做人群包A/B：对照组用老规则“近30天有购买”，实验组用GMM高潜群，看14天GMV增量是否>5%。

答案

“我在上一家公司负责电商大促用户运营，DAU 1800 万。为了把‘618 蓄水期’预算花在刀刃上，我用 4000 万行埋点数据对比了 K-means 与 GMM。
第一步，特征工程：选取最近30天支付金额、商详页停留时长、优惠券点领率、分享裂变次数四个核心指标，并对金额做幂变换解决右偏。
第二步，网格搜索：K-means 试 3~8 簇，GMM 试全协方差与对角协方差两种，用BIC选簇数；GMM 在 5 簇时 BIC 最低，K-means 轮廓系数最高 0.42，但Calinski-Harabasz 仅 268，低于 GMM 的 310。
第三步，业务验证：把两种模型结果推送到字节火山引擎人群包，各随机 100 万用户，发 5 元无门槛券。GMM 分群中有一个软归属概率>0.7的子群，券核销率 18.6%，比 K-means 最高群高 4.2 个百分点，7 日 LTV 高 11.4 元，ROI 提升 9%。
第四步，稳定性：两周后重新训练，GMM 的ARI 指数 0.83，K-means 仅 0.61，说明 GMM 对国内用户行为漂移更鲁棒。
最终向 VP 汇报时，我把结论翻译成一句话：‘用 GMM 能一年多赚 4700 万 GMV，且模型两周更新一次即可。’方案全量上线。”

拓展思考

1. 如果公司只有 20 万用户，样本量小，GMM 容易过拟合，可改用贝叶斯高斯混合或层次聚类先粗分再用 GMM 细化。
2. 当业务目标转向会员续费而非一次性 GMV，要把特征换成“互动深度+客服投诉次数”，此时 K-means 的硬性边界反而利于黑白名单策略，需重新评估。
3. 在 iOS 隐私新政下，设备级特征缺失，可引入联邦学习思路：两端各跑 GMM，只上传簇参数θ，用安全聚合更新全局模型，既合规又保留分群效果。