解读

“挤出”指补贴把本该自然成交的订单变成了补贴订单，导致公司多花了冤枉钱。面试官想看三件事：

1. 能否把自然订单与补贴订单精准剥离；
2. 能否用因果推断而非相关性证明“多花的钱”真的多余；
3. 能否把结论落地到预算回收、补贴策略迭代的业务动作。
   回答必须体现数据可得性、实验伦理、合规性（中国《个人信息保护法》《反不正当竞争法》对数据使用与价格歧视的约束），并给出可复现、可审计的指标。

知识点

1. 双重差分（DiD）：在城市/人群维度设立“实验组（领券）”与“对照组（不领券）”，对比两组补贴前后自然订单占比的变化。
2. uplift 模型：用随机森林/贝叶斯 uplift tree 估算每个用户的补贴敏感度，把负 uplift（补贴反而降低自然转化）人群标记为挤出高危人群。
3. 自然订单定义：取过去 28 天未触达任何补贴且访问路径无券节点的订单作为 baseline，避免把“券后复购”误算成自然。
4. 挤出率指标：
   挤出率 =（实验组自然订单降幅 − 对照组自然订单降幅）/ 实验组总订单
   若>5%，触发补贴熔断。
5. 合规红线：不得用已注销账号数据；A/B 测试需用户知情同意并支持一键退组；价格不得低于成本构成倾销。

答案

我会用“随机对照实验 + 双重差分”两步法：
第一步，随机切量：在 DAU 里随机抽出 10% 用户完全屏蔽补贴，作为“纯自然对照组”；剩余 90% 保持日常补贴。跑满 28 天，拿到两组补贴前后自然订单量。
第二步，计算挤出率：
挤出率 =（补贴组自然订单减少量 − 对照组自然订单自然波动量）/ 补贴组总订单
若挤出率 > 5%，说明每 100 单里有 5 单是“白贴”，立即触发策略调优：

1. 把负 uplift 人群移出补贴池，节省预算 8%–12%；
2. 改用权益置换（会员积分、免邮）替代现金券，挤出率降至 2% 以内；
3. 结果写进月度经营分析会材料，补贴 ROI 提升 18% 作为核心结论。
   全程用火山引擎 A/B 平台做分流，用户 ID 哈希取模，确保组间样本平衡（p 值>0.05），并留5% 流量做 sensitivity check 防止策略回滚风险。

拓展思考

1. 长期挤出：补贴可能把用户价格锚点拉低，导致180 天后自然转化率仍低于基准。可用合成控制法把“从未补贴过的相似城市”合成虚拟对照，看长期 LTV 是否显著落后。
2. 品类差异：生鲜价格敏感系数高，挤出率容忍上限可放到 8%；3C 数码低于 3% 就要砍券。可建立品类-人群-券类型三维矩阵，动态配额。
3. 竞争博弈：若竞对同时发券，自然订单基准会被市场抬高，此时需引入外部竞争数据（电商情报工具）做双重差分-竞争调整模型，防止低估挤出。