解读

在国内互联网公司的用户运营面试里，这道题表面问“模型怎么用”，实则考察三件事：

1. 你是否能把交易金额预测与**生命周期价值（LTV）**运营目标对齐；
2. 你是否清楚中国常见数据现状（小单高频、退货、优惠券、0 元单），并知道如何清洗；
3. 你能否把模型结果落地到运营策略（分层补贴、券包面额、短信召回），而不是停留在“跑一遍代码”。
   回答时要体现“业务→数据→模型→策略”闭环，才能打动面试官。

知识点

1. Gamma-Gamma 模型本质：在客户已完成 N 次交易的前提下，用形状-率参数（shape–rate）的 Gamma 分布拟合单次消费金额，从而预测未来某段时间的期望消费金额。
2. 与 RFM 的关系：它只解决 M（Monetary）维度，需与BG/NBD（预测购买次数） 相乘才能得到完整 LTV。
3. 国内数据清洗重点：
   • 剔除 0 元单、退款单、运费单；
   • 优惠券抵扣后金额才是真实支付，必须统一口径；
   • 拼团、秒杀等低价场景要单独看，否则长尾 Gamma 拟合失真。
4. 模型假设：
   • 客户交易金额独立同分布；
   • 金额>0；
   • 老客户金额服从 Gamma，且形状参数 ν 不随人变，只有尺度参数 θ 因人而异。
5. 评估指标：
   • MAPE 分段看（新客 0-2 次、成熟客 3-10 次、忠诚客 10+ 次）；
   • 金额分位误差（P75、P90）比整体 MAPE 更能发现补贴浪费。
6. 运营落地：
   • 把预测金额五分位后，与短信券面额做** elasticity 实验**；
   • 高预测金额+低最近购买频率 → 专属大额券；
   • 低预测金额+高频率 → 满减小包提升客单。

答案

“我在上一家公司用 Gamma-Gamma 模型支持 618 大促的补贴预算分配，核心分四步：
第一步，数据口径治理。取近 18 个月交易表，filter 掉退款、运费、0 元单，把优惠券后实付金额作为 Monetary，确保金额>0，共 4200 万条有效订单。
第二步，特征分层。按历史订单数把用户切成 0-1 单、2-5 单、6+ 单三群，分别拟合 Gamma-Gamma；这样解决新客样本少、老客金额长尾的问题，比全量一锅端把 MAPE 从 28% 降到 19%。
第三步，模型训练。用 Lifetimes 库里的 GammaGammaFitter，输入每个用户的平均订单金额和订单数，得到两个参数：ν（公共形状）和 μ（个人尺度）。对 6+ 单人群，ν=6.3，说明金额分布右尾收敛快，适合做高面额券；对 0-1 单人群，ν=1.8，尾部重，我们保守给 5 元无门槛防止补贴浪费。
第四步，策略落地。把预测期望金额按 20/40/60/80 百分位分五层，与运营同学一起跑短信+券包 A/B：

• 顶层人群（预测客单 ≥298 元）推满 300 减 60券，回收期 7 天，ROI 达到 4.7；
• 底层人群（预测客单 ≤39 元）推满 40 减 5券，ROI 2.1，但券成本降低 62%，整体预算节省 380 万。
  最终大促 GMV 同比提升 34%，补贴率下降 1.8 个百分点，验证了模型在真实业务场景的可行性。”

拓展思考

1. 模型失效场景：
   • 订阅制、会员费一次性高额交易，金额不再服从 Gamma；
   • 直播电商秒杀价波动巨大，导致 θ 异方差，需改用对数正态+混合效应。
2. 与深度学习结合：可把 Gamma-Gamma 的预测值作为基础特征，再输入 Wide&Deep 网络，捕捉商品品类、季节性、促销类型等非线性信号，线上 A/B 显示 MAPE 可再降 3-4 个百分点。
3. 因果推断：补贴后金额上升可能不是模型准，而是券面额本身抬升客单。后续可跑双重差分（DID），把“模型高分+券”与“模型高分+无券”对比，量化真实 uplift，让财务更信服。