解读

面试官问“如何运用Shapley值分解NPS贡献”，核心想验证三件事：

1. 你是否把NPS当成可拆解的业务结果，而非单一指标；
2. 能否用博弈论思维量化“每个用户旅程环节”对NPS的真实边际贡献，避免“拍脑袋”归因；
3. 是否具备把高阶模型落地到国内数据环境的能力（埋点质量差、用户ID孤岛、业务方只认ROI）。
   回答必须给出可落地的数据链路、采样策略、与业务团队的沟通语言，否则会被认为“只会背公式”。

知识点

1. NPS的微观定义：在中文场景下通常取“推荐者（9-10分）比例 – 贬损者（0-6分）比例”，需以用户ID粒度落表，才能做Shapley分解。
2. Shapley值四大公理：对称性、线性性、dummy player、可加性，保证“无偏归因”；其计算本质是遍历所有特征子集，看边际增益加权平均。
3. 特征集合设计：必须映射到国内用户运营可干预的旅程节点，例如“小程序新客7日签到”“社群秒杀活动”“企微1v1售后”“会员日积分兑换”。
4. 价值函数V(S)：取子集S下用户的平均NPS，而非收入，避免“高净值低满意度”样本扭曲归因。
5. 采样与近似：国内DAU过亿时，蒙特卡洛采样+分层抽样（城市等级×渠道）把计算量压到小时级；需剔除异常分（刷分、客服补偿红包诱导）。
6. 业务输出：给出每个旅程环节的Shapley值占比≥5%即列为高优优化项，并换算成“每提升1%环节满意度，可带来多少NPS绝对值提升”，方便业务方直接算ROI。
7. 技术栈：Python（shap库）+Spark分布式计算+BI可视化；敏感数据需脱敏后落在国资云或公司私有集群，符合《个人信息保护法》。

答案

“我在上一家公司用Shapley值拆解过教育类App的NPS，核心分五步：
第一步，把NPS落到用户粒度。通过埋点把“打分事件”与UID绑定，并回溯过去30天用户触达日志，清洗出8个可干预特征：‘新户7日完课’‘社群打卡’‘1v1辅导次数’‘购课折扣力度’‘节假日活动曝光’‘退费率’‘投诉次数’‘老客转介绍入口点击’。
第二步，构造价值函数V(S)。对任一特征子集S，计算落在该子集用户的平均NPS。为降低偏差，剔除客服补偿红包样本和刷分账号，并用分层抽样保证一二三线城市比例一致。
第三步，近似Shapley值。数据量7000万行，直接枚举2^8=256个子集在Spark上跑半小时完成；采用蒙特卡洛重复采样5000次，误差<0.3%。
第四步，业务解读。结果给出‘1v1辅导次数’Shapley占比28%，‘退费率’占比21%，‘社群打卡’占比12%。这意味着如果能把1v1辅导满意度提升10%，整体NPS可涨2.3个百分点，对应次月续费GMV提升约1800万。
第五步，闭环落地。与教研、客服、社群团队开OKR复盘会，把Shapley值≥5%的环节写进Q3北极星指标，两周一次AB实验验证，最终Q3 NPS从43→51，超额完成目标。
整个过程符合国内数据合规要求，原始日志脱敏后落在私有集群，输出只给聚合指标，个人敏感信息不出库。”

拓展思考

1. 动态Shapley：当用户旅程随版本迭代新增环节时，可用在线Shapley近似算法（如Federated Shapley）把新特征实时纳入归因，避免“历史模型失效”。
2. 分层NPS：对高价值会员单独跑Shapley，往往发现“专属客服响应时长”占40%以上，可指导RFM模型中的S级用户差异化运营。
3. 负向Shapley：若某环节Shapley值为负，说明**“做了反而拉低NPS”**，需立刻下线或重构；国内常见陷阱是“过度营销push”，负向值高达-3%，用Shapley可量化说服业务少发模板消息。
4. 与因果推断结合：Shapley只说明“相关边际贡献”，下一步可用**双重机器学习（DML）**验证“1v1辅导”与NPS的因果性，把相关关系升级为因果链路，让老板更敢投预算。