解读

面试官想知道三件事：

1. 你能否把“敏感度”拆解成可量化指标；
2. 你能否用历史用券行为反向验证这些指标；
3. 你能否用国内主流数据工具（如阿里云MaxCompute、字节DataWind、腾讯TEG）在合规（《个人信息保护法》《数据安全法》）前提下完成闭环。
   一句话：让“感性标签”变成“可证伪数据”。

知识点

1. 敏感度定义：价格敏感度=∆订单转化率/∆优惠力度，通常用价格弹性系数表示。
2. 历史用券行为核心字段：券批次、券面额、门槛、订单实付、SKU客单价、券后毛利率、用券间隔、退款标记。
3. 一致性检验方法：
   • 皮尔逊相关系数（连续变量）
   • 卡方检验（分箱后类别变量）
   • PSM+双重差分（剔除人群混杂）
4. 数据合规：必须走脱敏沙箱，用户ID要哈希化，优惠券金额做分桶离散，避免直接暴露个人资产信息。
5. 业务阈值：国内电商普遍把| r |≥0.35视为“显著相关”，小于0.2则判断为“标签失效”，需回炉重训。

答案

第一步，定义敏感度。用近180天订单数据，计算每个用户在不同券梯度（5元、10元、满100-20等）下的转化率弹性，弹性越高则价格敏感度越高，把用户分到高敏、中敏、低敏三档。
第二步，抽取历史用券行为。筛选同期同一批券的核销订单，汇总每人用券次数、用券金额占比、券后复购间隔三大指标。
第三步，一致性验证。

1. 连续变量打法：把“弹性系数”与“用券金额占比”做皮尔逊相关，若|r|≥0.35且p＜0.01，说明标签与行为一致；
2. 类别变量打法：把敏感度三档与“是否高频用券（≥3次/30天）”做卡方检验，若χ²显著且Cramer’s V≥0.3，通过；
3. 因果打法：用PSM按性别、城市、历史客单价1:1匹配高敏/低敏人群，再跑DID看券核销率差异，若高敏组提升幅度显著高于低敏组（Δ≥8%，t≥2.58），一致性得证。
   第四步，工程落地。把以上脚本封装成Airflow每日任务，输出一致性监控表：日期、人群包、相关系数、p值、是否通过阈值。连续7天未通过则触发标签重训告警，并@用户运营与数据治理团队。
   第五步，合规留痕。所有原始日志存入脱敏Hive表，操作记录写入数据门户审计库，确保可追溯、可删除、可举证。

拓展思考

1. 如果业务侧把“敏感度”泛化成“优惠偏好”，你还要加入非价格优惠（积分、会员日特权）行为，用多分类逻辑回归重新校准。
2. 当优惠券与直播红包叠加时，存在“优惠来源混淆”，需引入Shapley值分解计算各优惠渠道的边际贡献，再检验敏感度。
3. 在私域社群场景，用户可能“囤券不用”，导致行为滞后，建议把观察窗口从30天延长到滚动90天，并用生存分析中的Cox比例风险模型处理右删失数据。