解读

在国内互联网公司的用户运营面试里，面试官问“Mapping准确率与召回率”并不是想听你背机器学习公式，而是快速判断你是否能把“用户身份识别”这一底层能力，转化为可衡量、可落地的运营指标。
Mapping（一般指设备-ID-账号-手机号-微信UnionID等多端身份归一）是后续分层运营、精准触达、补贴风控的前提。如果Mapping错了，优惠券会重复发放、Push会骚扰已卸载用户、ROI计算会失真，所以必须像盯GMV一样盯准召与准。

知识点

1. 准确率（Precision）＝正确Mapping的ID对 ÷ 所有算法输出的ID对
   反映“我认定的同一用户，到底有多少真的是同一个人”，直接决定补贴浪费率。

2. 召回率（Recall）＝正确Mapping的ID对 ÷ 真实存在的同一用户ID对
   反映“真实同一个人，我到底找到了多少”，决定后续可运营人群池大小。

3. F1值＝2·P·R/(P+R)，用于在P、R之间做Trade-off；日常运营更关注“分段F1”，例如高价值段F1必须≥0.92，低价值段可降到0.75以节省算力。

4. Ground Truth获取（国内可行方案）

   • 小流量“短信验证码登录”校准：随机抽取5%新登录用户，强制短信验证，将手机号作为强唯一标识，沉淀为金标准。
   • 微信生态小程序+公众号打通：利用微信返回的UnionID作为交叉验证，覆盖90%+中国移动互联网用户。
   • 线下扫码领券实验：线下活动要求用户扫码后授权手机号，回传与线上设备做匹配，可一次性沉淀上万对真实Mapping。

5. 分层评估而不是看整体
   按**“是否高价值、是否新设备、是否iOS”三维拆表，高价值人群准确率必须≥98%，否则一个错配可能损失百元补贴；召回率可以阶梯目标，例如双11大促前把召回率从85%提到90%，可直接带来5%可触达人群增量**。

6. 线上A/B校验方法
   把Mapping结果同步到Push平台，对“疑似同一人”实验组做去重，对照组不做去重，观察24小时卸载率与投诉率。若实验组卸载率下降≥0.3pp且无明显GMV损失，即可证明准确率提升有效。

7. 常见误区

   • 只看“总量F1”而忽视高价值段Precision；
   • 用“账号登录成功”当Ground Truth，忽略游客态设备；
   • 为保召回率盲目合并设备，导致黑产集中薅券。

答案

“我会把Mapping评估拆成三步：
第一步，建立Ground Truth。选取5%新登录用户做短信验证，把手机号当强ID，同时用微信UnionID做交叉验证，沉淀10万级金标准对；
第二步，分层计算Precision与Recall。重点看高价值人群（近30天GMV≥500元）的Precision必须≥98%，Recall目标90%；中低价值人群Precision可降到95%，Recall每提升1%就能多触达80万用户；
第三步，线上A/B验证。把最新Mapping结果同步到Push系统，对实验组做同用户去重，核心指标是卸载率下降≥0.3pp、优惠券重复领取率下降≥15%，同时GMV不掉，则证明本次Mapping迭代有效。
通过这套闭环，我们曾在618大促前把高价值人群Mapping准确率从96.2%提到98.5%，直接减少补贴浪费1200万元，并把可召回人群池扩大7%。”

拓展思考

1. Mapping与隐私合规的平衡：2024年《个人信息保护法》执法趋严，短信验证方式需获得用户“单独同意”，可考虑把校准包缩小到1%并给用户“抽奖”激励，既保样本量又降低合规风险。
2. 实时性要求：大促期间新设备暴增，Mapping模型必须T+1小时内更新，否则首单补贴就会错发。可引入Flink实时图计算，把“设备-账号”边权重按共现时间衰减，实现分钟级召回率提升。
3. 黑产对抗：黑产会用“一键改机”批量制造虚假设备指纹，需在Precision计算前加入“风控黑名单”过滤，否则准确率会被刷高但真实用户并未受益。
4. 与CDP结合：Mapping结果写入CDP后，可用RFM+标签组合做二次验证，若同一ID下出现“北京+上海”双城高活跃，则触发人工复核，把Precision再提升0.5pp。