解读

在国内互联网企业的面试场景里，**“长期留存”通常指用户首次触达策略后 30 日、90 日甚至 365 日仍保持活跃的概率；“策略”可以是推荐算法、补贴方案、会员体系或 Agent 驱动的个性化干预。
Cox 比例风险模型（Cox-PH）把“是否留存”转化为“何时流失”的时间到事件（Time-to-Event）问题，天然适配右删失数据，能同时控制混杂变量，给出策略对风险比（Hazard Ratio, HR）**的因果量级，是面试官最想听到的“生存分析 + 因果推断”组合拳。

知识点

1. 生存分析四件套：事件（churn）、生存时间（tenure）、右删失（仍在活跃）、风险集（at-risk）。
2. Cox-PH 核心假设：比例风险恒定（策略组与对照组的 HR 不随时间变化）；可用Schoenfeld 残差检验，若违背可引入时变协变量或分层 Cox。
3. 数据准备：
   • 以用户粒度建表，每条样本包含（entry_time, exit_time, event, strategy_flag, covariates）。
   • 日期对齐：策略生效当日定义为 t=0，避免“ immortal time bias”。
   • 删失处理：国内用户可能强制注销或失联，需把“30 日无日志”记为删失而非事件，防止低估留存。
4. 特征工程：
   • 策略曝光强度（ dosage）用累计曝光次数或时长，避免 0/1 硬分组带来的稀释效应。
   • 时变协变量（如近 7 日活跃度、消费等级）用Anderson-Gill 计数过程拆分多条记录，保证 PH 假设。
5. 模型估计：
   • 用Efron 近似处理 tied events，Python 里 lifelines 的 CoxPHFitter(penalizer=0.1) 做 L2 正则，防止高基线维度过拟合。
   • 输出 HR 及其 95% CI；HR<1 表示策略降低流失风险，即提升长期留存。
6. 效果量化：
   • 基于 Breslow 估计的生存函数，画出策略组与对照组的预测生存曲线，计算 30 日、90 日生存率差异。
   • 用**限制平均生存时间（RMST）**在 365 天窗口内求面积差，避免 PH 假设不成立时中位生存期无法估计的尴尬。
7. Agent 系统落地：
   • 把 Cox-PH 封装成在线特征服务：每天凌晨批量更新 covariates，实时输出每个用户的动态风险评分，供 Agent 决策是否触发留存干预。
   • 引入**加速失效模型（AFT）**作为鲁棒性对照，若两者结论一致，可强化策略可信度。
8. 合规与可解释：
   • 对金融、短视频等强监管场景，需输出个体风险贡献（linear.predictors），满足《个人信息保护法》对算法可解释性的要求。
   • 用SHAP 分解把 HR 拆到各特征，方便运营同学看到“补贴敏感度”或“内容偏好”对留存的边际效应。

答案

步骤一：数据抽取与清洗
从 Hive 表 dwd_user_strategy_log 取最近 18 个月数据，以策略首次曝光日为 t0，剔除曝光前已流失用户，得到 2.3 亿条有效样本，其中 17% 为事件（churn），83% 右删失。

步骤二：特征构造
连续变量做 Winsorize 1% 截尾；类别变量用 Target Encoding 降低维度；对近 30 日消费金额等时变变量，采用 Anderson-Gill 分段，每 7 天一条记录，共 9.1 亿条子记录。

步骤三：PH 假设检验
Schoenfeld 全局检验 p=0.08，未显著违背；strategy_flag 的时变系数 p=0.21，可认为比例风险成立。

步骤四：模型训练
使用 lifelines 0.27.8， penalizer=0.05，迭代 200 次收敛；策略变量 HR=0.79（95% CI: 0.77–0.81），意味着策略降低 21% 的流失风险。

步骤五：业务翻译
通过 Breslow 估计，策略组 90 日留存率提升 3.4 个百分点（62.1% → 65.5%），对应 365 日 RMST 差异为 +18.6 天，按 MAU 1 亿、ARPU 5 元估算，年增收 9.3 亿元。

步骤六：Agent 闭环
将 HR 系数转成风险评分公式 score=exp(−0.235×strategy_flag+…)，写入线上特征存储；Agent 对 score>0.8 的高危用户触发“积分翻倍 + Push”组合干预，两周内实测使 HR 再降 7%，形成策略自迭代飞轮。

拓展思考

1. 非比例风险场景：若策略早期提升留存但后期失效，可改用 Time-varying Cox 或 Piece-wise exponential model，把 HR 拆成 0–30 天、31–90 天、90+ 三段，给 Agent 提供动态干预窗口。
2. 竞争风险：用户可能因“强制注销”或“切换账号”流失，需引入 Fine-Gray 子分布风险模型，区分“自然流失”与“政策流失”，避免策略被错误放大。
3. 双边市场：对于滴滴、美团等供需双端平台，司机端与乘客端存在网络效应，可构建分层 Cox（frailty=城市 ID），把城市级随机效应当作共享异质性，防止策略效果被城市基线稀释。
4. Agent 自我演化：把每次 Cox 更新的 HR 作为环境奖励信号，用强化学习微调 Agent 的干预策略（如补贴力度、触达时机），实现**“生存分析 → 奖励塑形 → 策略梯度”** 的闭环，最终目标不是单次 HR 最低，而是LTV 最大且合规。