解读

面试官问“RBF 高潜评分”，不是让你背 RF M 公式，而是考察三件事：

1. 能否把中国本土业务场景（补贴敏感、促销爆发、会员分层）融进模型；
2. 能否用数据驱动的方式把 R、B、F 变成可落地的分数；
3. 能否把分数转化为运营动作（券、Push、社群、直播），真正“榨”出高潜价值。
   回答时要体现“模型设计 → 权重校准 → 运营闭环”三步走，让面试官听到就能复刻。

知识点

1. R（Recency）：最近一次成交距今天数，越近得分越高；中国用户大促后常出现“集中购买”，需做促销衰减修正（T+7、T+30 双周期）。
2. B（频次）：统计周期内有效支付订单数，排除退款、刷单、一元购；对订阅制业务可替换为“履约周期内到账次数”。
3. F（金额）：按实际付款 GMV 计算，剔除运费、红包、平台补贴；高客单行业（3C、奢侈品）用对数分箱防止头部垄断分数。
4. 评分归一化：常用5 分制或百分位法，先对 R、B、F 分别做行业分位切割（如 30%、60%、80%、95%），再加权求和。
5. 权重校准：
   • 初创期：拉新优先，B 权重 50% > R 30% > F 20%；
   • 成熟期：利润优先，F 权重 50% > R 30% > B 20%；
   • 大促前：R 权重临时提到 60%，快速锁定“最近还有热情”的人。
6. 高潜阈值：一般取加权得分前 10% 为 S 级，10%-30% 为 A 级；S 级用户贡献**>55% 的下月 GMV**为健康阈值。
7. 模型迭代：每月做PSI 稳定性检测，>0.2 就重新训练；每季度用** uplift 模型**回检“高分是否真高潜”，防止羊毛党刷分。

答案

“我在上一家公司负责 2000 万月活电商 App 的高潜运营，核心就是用 RBF 模型。具体四步：
第一步，数据清洗。取近 90 天订单，剔除退款、作弊、内部测试账号，确保 B 与 F 真实。
第二步，分位切割。把 R、B、F 分别做行业百分位划分，R 越近给 5 分，B、F 越高给 5 分；金额做log1p 平滑防止极值。
第三步，权重动态化。用XGBoost 以次月是否复购为 Y 变量跑一遍，得到 SHAP 值，反推 R、B、F 对复购的边际贡献，得出R30%-B35%-F35%的当期权重；大促前两周把 R 权重提到 60%，锁定“热度”人群。
第四步，运营落地。S 级（前 10%）用户给专属直播口令红包+会员日提前购，A 级（10%-30%）推满减券+短信召回，投产比做到 1∶8.6，比盲发券提升 210%。
整个模型每月 PSI 监控，稳定性>0.2 就重训，保证高潜评分始终跟得上中国用户促销疲劳快、补贴敏感的节奏。”

拓展思考

1. 多维度 RBF+：把 R 拆成“最近互动（浏览/加购）”与“最近下单”双指标，B 拆成“品类宽度”与“订单深度”，可提前 14 天预测高潜，比纯交易 RBF 提升 18% 精准度。
2. 场景权重：对直播电商，把“最近看播时长”加入 R 维度，用Attention 机制动态加权，可识别“只看不买”的高潜种草人群。
3. 负向因子：引入“近 30 天优惠敏感度=优惠订单占比”，若>80%，即使 RBF 分高也降一档，防止**“高分低贡献”**羊毛党。
4. 公私域联动：S 级高潜评分用户，在企业微信社群打“高潜”标签，社群转化率比 App Push 再提高 2.3 倍，实现评分到私域资产的闭环。