解读

面试官问“如何应用”，不是让你背公式，而是想知道三件事：

1. 你能否把用户旅程抽象成状态转移；
2. 你能否用Markov Chain算出每个触点的真实贡献；
3. 你能否把结果落地到用户运营动作（预算、人群、内容、时机）。
   在国内面试场景里，还要体现你对数据合规（个人信息保护法）、多端数据打通（小程序+APP+企微）、**业务节奏（大促、日常、冷启动）**的体感。

知识点

1. 状态定义：把“曝光、点击、加购、下单、复购”等业务里程碑映射成Markov状态，状态必须互斥且完备。
2. 转移矩阵：用30天滑动窗口内去重用户的事件序列，统计状态间转移概率；**删除循环路径（如曝光→曝光）**以避免自环干扰。
3. 移除效应（Removal Effect）：计算去掉某一触点后在整体旅程中无法到达转化状态的概率增量，即为该触点归因权重。
4. 数据层落地：
   • 埋点用埋点3.0规范（Who-When-Where-How-What），确保user_id与device_id可合规映射；
   • 小程序端用微信openID+unionID，APP端用OAID+IDFA（需用户授权），统一落Snowflake ID到Hive表。
5. 运营层落地：
   • 预算侧：把Removal Effect换算成边际ROI，指导大促前三天动态调仓（抖音信息流↑、朋友圈↓）；
   • 人群侧：对高贡献但低覆盖的触点（如直播回放）做Lookalike 2.0扩展，用京东DMP或阿里达摩盘回传人群包；
   • 内容侧：针对“加购→流失”状态链，7天内推送限时券，券面额按归因权重线性递减，避免券疲劳。

答案

“我在上一家公司负责618大促的用户运营，目标是把日均GMV从800万提升到1200万，预算只多了15%。
第一步，我把用户旅程拆成6大状态：曝光、点击、收藏、加购、下单、复购，用过去90天、2.3亿条事件日志训练Markov Chain；
第二步，用PySpark构建转移矩阵，发现‘直播间点击→加购’的Removal Effect高达18.7%，但它在现有预算里只占7%，明显被低估；
第三步，我把18%的预算从搜索竞价挪到抖音直播间，并针对‘曝光后未点击’人群做二次召回，用企业微信社群在48小时内发专属红包券，券使用率做到26.4%，高于日常3倍；
最终大促期间GMV达成1230万，ROI提升32%，且用户7日留存提升5.8个百分点。
事后复盘，我们把Markov Chain做成Airflow每日调度的归因服务，T+1更新，后续双11直接复用。”

拓展思考

1. **长周期品类（大家电）的用户决策路径长达60天，如何把Markov Chain与Survival Analysis结合，识别“时间衰减”**对Removal Effect的影响？
2. iOS 14.5+隐私政策导致IDFA缺失率>70%，如何用“概率图模型+联邦学习”在不碰原始设备号**的前提下，继续训练Markov转移矩阵？
3. 当公司进入多品牌矩阵，不同品牌间存在交叉推荐，如何把品牌作为新的状态维度，用高阶Markov甚至Hidden Markov评估品牌间溢价值，从而决定是否共用预算池？