解读

1. 指标冲突的本质：点击率（CTR）是“入口效率”，停留时长是“消费深度”，两者背后对应的是不同的商业阶段目标——短期流量变现 vs. 长期用户黏性。
2. 国内互联网语境：头部平台已进入“存量竞争+强监管”阶段，DAU 增长见顶，工信部、网信办对“诱导点击”“信息茧房”持续约谈处罚，单纯 CTR 导向极易触发合规风险；同时广告主预算收紧，品牌方开始看“后链路”指标（停留、互动、转化成本）。
3. 算法迭代视角：新模型大概率在召回或粗排阶段放大了“标题党”“低质爽点”内容，导致用户快速点进又快速退出，形成“高 CTR+高跳出”陷阱。
4. 产品生命周期：若产品处于拉新期，可容忍一定时长损失；若处于成熟期或社区生态期，时长下降意味着内容供给结构恶化，必须优先治理。
5. 数据置信度：国内日活过千万的产品，AB 实验通常按“用户 id 哈希+分层正交”跑 7 天，需校验样本量、幂值、SRM、多重检验校正；若实验组样本仅跑 2 天或周末节假日重叠，结果可能失真。

知识点

1. 北极星指标（North Star Metric）拆解：OSM 模型（Objective-Strategy-Measurement）下，先确认当期 Objective 是“广告收入”还是“用户总消费时长”，再决定权重。
2. 指标权衡框架：
   ① 货币化折算：把“时长下降”换算成“广告库存减少”带来的 eCPM 损失，与 CTR 提升带来的增量 RPM 对比；
   ② 用户分层边际收益：看新模型对“高价值人群（30 日 LTV 前 20%）”是否同样造成时长损失，若仅损失低活用户，可接受；
   ③ 生态负反馈延迟指标：监控 3 日后“主动反馈（点‘不感兴趣’、举报、卸载）”是否显著上升，用生存分析模型预测 30 日留存曲线。
3. 算法可解释性诊断：
   ① 对召回通道做 ablation study，定位是“内容质量特征”权重被下调还是“用户短期兴趣”权重被放大；
   ② 利用 LIME/SHAP 查看模型对“标题敏感词”“封面低俗度”的依赖系数，若敏感词权重>0.18，即可判定为“标题党”导向。
4. 合规红线：2022 年《互联网信息服务算法推荐管理规定》第 12 条要求“不得设置诱导用户沉迷或高额消费的算法模型”；若时长下降伴随举报量上升，必须下线。
5. 产品迭代策略：
   ① 引入“消费深度”作为二级目标，采用多目标优化（MMoE/PDN），对 CTR、完播率、点赞率、时长联合建模；
   ② 上线“interleaving”在线分层实验，在 10% 流量内实时调和权重，减少全量风险；
   ③ 建立“内容质量分”实时特征库，把人工审核结果回流至训练样本，实现数据闭环。

答案

我会用“四步法”决策，并在面试现场用“金字塔”结构 90 秒内答完：

1. 校验实验：先确认实验周期≥7 天、样本量≥幂值要求、SRM 检验通过；若 p 值边缘，则延长 3 天并跑“双重差分”排除节假日效应。
2. 货币化折算：把时长下降换算成“广告曝光 PV 损失”，与 CTR 提升带来的增量 RPM 对比。若 ΔRPM > 0 且高价值人群 LTV 无显著下降，进入灰度；否则直接拒绝。
3. 生态健康扫描：监控举报率、负反馈率、次留、卸载率。若举报率提升>20% 或 30 日留存预测下降>1.5%，立即下线并回滚。
4. 多目标优化：若前两步通过，将新模型作为“弱学习器”，与旧模型做 ensemble，权重按“CTR 0.6 + 时长 0.4”动态调参；同时把“完播率”加入实时特征，两周后重启 AB。
   结论：在当前国内监管与存量竞争环境下，我不会单纯因为 CTR 提升就全量上线，而是采用“小步快跑+生态红线”策略，确保业务指标与用户体验双赢。

拓展思考

1. 如果老板坚持“CTR 优先”，如何说服？准备一份“监管罚单案例库”：列出 2023 年某头部短视频因低俗诱导被网信办下架频道、广告主集体追偿 1.2 亿的处罚通报，用“潜在罚款>增量收入”做风险收益对比。
2. 若实验结果显示“高线城市时长下降、低线城市时长上升”，如何决策？可结合“用户价值分层”+“城市下沉战略”做差异化放量：高线城市保留旧模型，低线城市全量新模型，并通过“城市 id”作为模型特征做在线路由。
3. 长期看，CTR 与时长并非零和：可探索“内容即商品”链路，把高 CTR 的“钩子”内容与高完播的“深度”内容做组合推荐，用强化学习策略（Policy Gradient）优化“序列价值”，实现“点得进来又留得下来”。