如何引入天气、节假日等外部特征？
解读
面试官问“如何引入天气、节假日等外部特征”，并不是想听“把天气字段写进 Excel”这种表层回答，而是考察候选人能否把外部宏观变量转化为可落地的用户运营策略，并解决三大痛点：
- 数据怎么来——国内合规渠道与实时性；
- 特征怎么用——与业务指标建立可验证的因果链；
- 策略怎么闭环——通过 A/B 测试、人群包、自动化触达实现可量化的业务增量。
回答时要体现“数据驱动+场景化运营+合规意识”，同时给出可复用的工程化思路，让面试官相信你不是拍脑袋，而是能直接上手干。
知识点
- 外部数据合规获取：国内主流渠道包括中国气象局商业授权接口、阿里云市场天气 API、国家公共节假日办发布的官方日历，以及高德/百度地图 LBS 天气服务；必须签署数据使用协议，避免爬虫带来的 GDPR/《个人信息保护法》风险。
- 特征分层模型：把原始变量加工成业务可解释特征——天气侧生成“当日气温分位等级”“降水概率等级”“体感温度突变”等；节假日侧生成“假期长度”“调休类型”“节日品类关联度”等；再与订单、活跃、召回等核心指标做皮尔逊/斯皮尔曼相关性检验，筛出 P<0.05 的高相关特征。
- 场景化策略矩阵：用决策树或贝叶斯结构将特征组合成场景，例如“高温橙色预警+暑假首日”→ 即时推送“空调清洗服务券”；“小雪+周五下班高峰”→ 推送“火锅外卖 30 元红包”；并提前 24h 把人群包写入Kafka 消息队列，保证零延迟触达。
- 增量衡量：采用时间片轮转分层实验（time-based split），把全国 337 个地级市按天气/节假日强度分为实验组与对照组，核心指标看订单转化率 uplift、push 到达后 1 小时 GMV、7 日留存提升，并用双重差分法剔除自然增长。
- 自动化闭环：把特征工程脚本封装成Airflow DAG，每日 6:30 自动跑批；模型输出写入Redis 特征库，供CDP 实时圈人；同时配置灰度熔断机制，若当日实验组 CTR 低于对照组 90% 置信下限，自动降级到默认策略，防止负向体验。
答案
“引入天气、节假日等外部特征，我会分四步落地：
第一步合规取数，通过阿里云市场购买中国气象局商业授权接口，获取未来 72 小时分小时级天气与国家节假日办官方日历，写入MaxCompute 外部表，每日 5:30 完成增量更新；
第二步特征加工，用 SQL+Python 把原始字段抽象成业务可解释特征，例如把 35℃以上且湿度>80% 标记为闷热高温标签，把中秋、国庆标记为长假期高出行标签，再与用户近 30 日活跃、消费做相关性检验，保留 uplift>1% 的特征；
第三步场景策略，在 CDP 里搭建天气×节假日决策矩阵，例如“暴雨红色预警+工作日早高峰”自动触发网约车延时券推送，人群圈选“过去 7 日有打车且未充值会员”的用户，券面额按RFM 模型动态计算，确保 ROI>1.5；
第四步实验与迭代，采用城市级分层实验，实验组推送天气策略，对照组保持原策略，核心指标看当日 GMV uplift与7 日留存，并用双重差分法剔除节假日自然增长；所有脚本封装成Airflow DAG，实现T+1 自动复盘，若连续 3 天 uplift 为负，自动回滚。
通过这套闭环，我们曾在 2023 年暑期把高温场景下的冰饮订单转化率提升 18.7%，同时把push 退订率控制在 0.3% 以内。”
拓展思考
- 更细粒度特征：未来可引入空气质量指数（AQI）与花粉浓度，对母婴、美妆、医药类目做过敏人群定向，预计高敏人群客单价 uplift可达 25% 以上。
- LBS 实时融合：把分钟级降水雷达图与用户实时位置结合，做**“下雨前 5 分钟”推送外卖雨具套餐，需解决GPS 漂移与电池消耗问题，可尝试地理围栏+基站辅助定位**。
- 长期品牌资产：把天气/节假日策略沉淀为**“气候关怀”品牌 IP，例如“暴雪补贴日”，既提升转化，又强化品牌温度**，实现业务增长与品牌忠诚的双重目标。