解读

面试官想知道三件事：

1. 你是否理解“合规调整”在中国互联网语境下通常指数据合规、隐私合规、内容合规三大红线；
2. 你是否能把召回率拆解成可观测、可对照、可归因的量化指标；
3. 你是否能在**“不踩红线”**的前提下，用科学实验设计证明“合规”与“召回”之间的因果关系，而不是简单看涨跌。

知识点

1. 合规红线：个人信息保护法、数据安全法、网络安全法及工信部下架通报案例。
2. 召回率口径：
   • 技术侧：召回人数 ÷ 可召回人群（潜在流失池）
   • 业务侧：召回后7日/30日内关键行为活跃率或复购率
3. 评估方法：
   • 双重差分（DID）：合规调整前后、实验组与对照组的双重对比
   • 断点回归（RDD）：利用合规整改的“一刀切”阈值做局部随机
   • 贝叶斯结构时间序列（BSTS）：构造“未合规”虚拟对照，弥补无法AB的缺陷
4. 数据合规下的数据可用性：
   • 必须脱敏、去标识、最小可用
   • 用户分层标签只能使用统计型标签，禁止原始行为日志出仓
5. 显著性 & 业务显著：
   • 统计显著 p＜0.05 且召回率绝对值下降＜1% 才可认为“影响可控”
   • 若置信区间下限＞-0.3%，可向上级出具“合规调整风险可接受”报告

答案

“我会分四步评估：
第一步，划定合规调整范围，明确是减少短信通道、下架某类埋点还是缩减第三方数据源，并同步法务出具《合规影响清单》。
第二步，建立实验组与对照组：若合规是逐批下线，则用DID；若按用户分值一刀切，则用RDD；若全国同步上线，无法AB，则用BSTS构造虚拟对照。所有数据均走脱敏沙箱，确保不违反个人信息保护法。
第三步，核心指标双口径监控：技术召回率看“下发成功且回端”，业务召回率看“回端后7日关键行为活跃率”。同时设置护栏指标：卸载率、投诉率、push关闭率，防止只追召回伤害品牌。
第四步，统计+业务双重判断：跑5000次bootstrap得到置信区间，若召回率下降统计显著但区间下限＞-0.3%，且单用户边际贡献LTV损失＜0.8元，则判定合规调整影响可控，可全量上线；否则推动产品做合规替代方案，例如把短信换成APP站内信+权益红包，重新跑实验直到指标达标。”

拓展思考

1. 如果合规要求完全删除某类用户标签，而该类标签是召回模型的Top5特征，可考虑用联邦学习让模型在加密参数服务器上继续训练，评估删除明文特征后的AUC下降幅度与召回率损失是否成比例，从而用技术手段对冲合规冲击。
2. 在金融、医疗、未成年人赛道，合规调整往往伴随监管沙盒试点，可主动申请进入沙盒，用监管认可的实验协议提前锁定用户授权，既满足合规又保留AB能力，把“被动合规”变成“主动优势”。