解读

面试官想知道三件事：

1. 你是否理解“算法推荐”与“人工排期”在流量分发逻辑、资源位效率、用户分层触达上的本质区别；
2. 你是否能把 GMV 差异拆成可量化、可复盘、可迭代的指标闭环，而不是只报一个涨跌数字；
3. 你是否具备中国本土电商/内容平台常见的数据工具使用经验（如阿里系、京东系、字节系的数据银行、达摩盘、巨量云图等），并能在合规与隐私前提下做因果推断。

一句话：不是比大小，而是讲清楚“为什么差、差多少、下一步怎么调”。

知识点

1. GMV 拆解公式：GMV = 曝光 UV × 点击转化率 × 客单价 × 购买转化率；任何差异必须回到这 4 个环节找变量。
2. 因果推断方法：
   • AB 实验：同一人群、同一时间切片、唯一变量是“算法推荐/人工排期”；必须跑满** 7 天 + 两个完整购买周期**以抵消周末与品类日波动。
   • PSM（倾向得分匹配）：当无法随机分流时，用历史数据模拟“同质地”人群，减少选择偏差。
3. 数据口径对齐：
   • 曝光口径必须剔除**“空曝”（用户未滑到）与“技术暗曝”**（接口返回但前端未渲染）；
   • GMV 归属期统一用点击日期 + 15 天支付归因，避免“算法当日冲高、人工次日收单”造成的时间错位。
4. 显著性阈值：国内业务日常采用** p 值 < 0.05** 且** GMV 提升 ≥ 3%** 才认定“可上线”，同时要求** 95% 置信区间下限 > 0**。
5. 长周期价值：用** CLV 回检**防止“算法过度补贴低质流量”；90 天复购率下降超过 1.5 pct 即触发降权。
6. 合规红线：2021 年《个人信息保护法》后，“用户 ID 明文对照表”不可出数仓；所有下钻必须脱敏到统计粒度 ≥ 50 人。

答案

回答采用“五步法”，总时长控制在 3 分钟，示范如下：

“我会用五步法评估差异：
第一步，统一口径。把两套策略绑定到同一批资源位 + 同一人群包（例如首页猜你喜欢第 3 坑），曝光、点击、支付都走集团埋点 2.0 协议，剔除空曝，归因窗口 15 天。
第二步，随机分流 AB。用达摩盘人群随机 50/50 分流，跑满 7 天 × 24 h，覆盖两个品类日，样本量用幂次分析确保检测 3% GMV 提升的检验力 ≥ 80%。
第三步，核心指标对比。先看** GMV 绝对值差异**，再看分解指标：曝光利用率、点击转化率、客单价、复购率；同步监控负向指标：退货率、投诉率、UV 价值波动。
第四步，显著性与效应量。用** Welch’s t-test** 处理方差不齐，要求 p < 0.05；同步计算** Cohen’s d**，效应量 ≥ 0.2 才算“业务可感知”。
第五步，长周期校验。实验结束后 30 天，用** CLV 模型回检两组人群，若算法组 90 天复购率降幅 > 1.5 pct，即使短期 GMV 高也会回滚策略**并调低补贴权重。

以上结果我会写成一页 A4 结论：差异多少、置信区间、下一步迭代节奏，供算法与运营双周评审会拍板。”

拓展思考

1. “算法 + 人工”混合策略：把人工排期的高毛利爆款作为冷启动种子池，算法实时学习点击反馈，再用** UCB 强化学习动态放大，已实现淘宝首页“双轮驱动”**模式，GMV 额外提升 4.7%。
2. 场景差异：在直播频道由于库存深度低，算法推荐易造成**“超卖”，此时应引入库存信号作为硬约束**，把 GMV 让位于履约率；而在短视频带货场景，算法对** 3 秒完播率极度敏感，需把前端内容指标**提前纳入损失函数。
3. 组织协同：差异评估完成后，用**“运营标签反哺算法”机制——运营把高潜新品人工标记为“趋势标签”，算法侧加权 1.3 倍做探索，既保留运营嗅觉，又放大算法规模效应，实现双向 KPI 绑定**（运营对毛利负责，算法对 UV 价值负责）。