解读

面试官问“分群GMV对比的双重差分模型”，核心想验证三件事：

1. 你是否理解中国电商/本地生活业务常用的分群维度（如渠道来源、会员等级、城市级别、补贴敏感度）；
2. 能否把“实验组 vs 对照组”与“活动前 vs 活动后”这两个差分维度同时纳入模型，剥离季节因素、自然增长、外部流量波动等混杂变量；
3. 是否能把统计结果翻译成运营动作：哪些人群值得追加预算、哪些人群该降补贴、如何优化券包门槛。

回答时必须给出可落地的建模步骤、变量清单、显著性判断标准，并指出国内数据埋点常见坑点，否则会被认为“只懂理论，不会干活”。

知识点

1. 双重差分（DiD）核心假设：平行趋势——实验组与对照组在活动前GMV趋势一致；
2. 国内常用分群标签：
   • 渠道分群：抖音直播间、淘宝站内、微信小程序、线下扫码；
   • 价值分群：RFM+LTV 分层，如高价值衰退期用户、低价值潜力用户；
   • 补贴敏感度分群：基于历史核销率、券面额弹性系数；
3. GMV口径：国内普遍采用实付+券后GMV，需剔除退款、刷单、风控订单；
4. 显著性判断：实验样本量<10万时，聚类稳健标准误到用户维度，避免伪显著；
5. 政策/平台大促干扰：需加入平台级大促虚拟变量（如618、双11），否则DiD系数会被高估。

答案

步骤一：定义实验

1. 选定实验组——“高补贴敏感度且近30天GMV下滑≥20%”的用户群；
2. 用**倾向得分匹配（PSM）**在同期未下滑人群里1:1找对照组，匹配变量：近30天GMV、品类偏好、城市等级、券核销率；
3. 实验窗口：活动前14天+活动中14天+活动后14天，确保覆盖补贴衰减期。

步骤二：构建模型
建立面板回归：
GMV(i,t) = α + β1·Treat(i) + β2·Post(t) + β3·Treat(i)×Post(t) + γX(i,t) + ε(i,t)
其中：

• Treat(i)=1 为实验组；
• Post(t)=1 为活动中及活动后；
• β3即为双重差分系数，衡量“补贴策略”带来的净GMV提升；
• X(i,t) 加入日级大促虚拟变量、节假日、天气、疫情管控等级，控制外部冲击。

步骤三：结果判读与运营翻译

1. 若β3显著为正且ROI=β3×净GMV/补贴成本>1.2（国内头部平台及格线），则对该分群扩大补贴预算30%；
2. 若β3显著但ROI<1，则降低券面额或提升门槛，并做二次DiD验证；
3. 若β3不显著，则放弃该分群补贴，转向内容或权益运营。

步骤四：国内数据坑点自检

• 用用户粒度的聚类标准误，避免“订单数>>用户数”导致的t值虚高；
• 剔除企业购、黄牛设备号（近30天下单设备数>5或收货地址含“公司”“仓库”关键词）；
• 检查平台券叠加规则变化，防止“券力度突变”被误判为实验效应。

拓展思考

1. 三重差分（DDD）：在DiD基础上再分“城市等级”维度，验证下沉市场是否对补贴更敏感，可回答“预算向三四线倾斜是否值得”；
2. 动态效应：用事件研究法把Post拆成活动期第1~14天，看GMV提升是否逐日衰减，用于决定**补贴节奏是否该由连续发券改为脉冲式”；
3. 长期LTV DiD：把因变量换成90天LTV，若短期GMV DiD为正而LTV DiD不显著，说明补贴只是提前消费，需搭配会员续费或积分任务锁定长期价值；
4. 与算法团队联动：将DiD显著人群包推送至实时出价模型（RTB），把补贴系数动态写入oCPX，实现“统计显著→实时放量”闭环，国内抖音/快手广告已跑通该链路。