解读

面试官想考察三件事：

1. 能否把“补贴ROI≥1.5”这一业务目标拆解为可实验、可量化、可复现的统计指标；
2. 是否熟悉国内主流补贴场景（如电商满减、外卖红包、出行券包）的成本回收周期与归因逻辑；
3. 能否在资源受限、用户异质、政策合规的中国互联网环境下，给出最小可行且具备统计功效的实验方案。

一句话：让候选人证明“花出去的每一块钱补贴，能在实验周期内带回≥1.5元的增量收入”，且结论经得起财务、法务、算法三道关口挑战。

知识点

1. ROI定义：实验视角下ROI =（实验组增量收入 – 对照组收入）÷ 实验组增量补贴成本。
2. 最小可检测效应（MDE）：ROI≥1.5等价于“每百元补贴需带来≥150元增量收入”，需据此反推样本量。
3. 国内补贴合规：必须排除“薅羊毛”与“洗钱”风险，实验组券包需设置实名+限领+订单核销三重门槛。
4. 周期选择：国内平台普遍采用7天短期回收+30天长期回收双周期，实验至少跑满两个完整自然月以覆盖账单周期。
5. 多层分流：需用户层唯一分流，防止设备ID、手机号、支付宝账号多重映射导致的SUTVA违背。
6. 显著性标准：因补贴金额大，须采用95%置信度+10% FDR控制，并向财务方提供单侧检验结果防保守。
7. 协变量方差缩减：利用CUPED（Control Using Pre-Experiment Data）把历史30天GMV作为协变量，可将样本量降低25%以上。
8. 国内数据工具：字节、阿里、腾讯均要求实验指标回写至内部数仓，并通过Aplus/Apollo/Borg等系统做实时熔断，候选人需提及。

答案

【步骤1：目标量化】
将“补贴ROI≥1.5”转译为可实验指标：
核心指标 =（实验组GMV – 对照组GMV）÷ 实验组补贴成本 ≥1.5
必须同时监测：① 补贴成本率≤8%；② 退款率相对提升<1个百分点；③ 负向舆情工单=0。

【步骤2：样本量与MDE】
假设对照组人均GMV 300元、σ=180元；期望检测到人均增量GMV≥45元（即ROI=1.5时，补贴成本30元）。
用CUPED缩减方差20%，得每组最少需14万用户（α=0.05，power=0.8，单侧）。考虑10%溢出与5%流失，最终入组32万用户。

【步骤3：分流与分层】
采用阿里DID分层+字节哈希uid末位截断混合方案，确保：

• 同一用户仅能被分到一组；
• 历史高活跃用户（近30天下单≥3次）单独stratum，防止补贴被高价值用户稀释；
• 新用户（注册<7天）独立实验，避免与老用户互相干扰。

【步骤4：实验设计】

• 实验组：领取“满60减30”券包，限实名+限1次+7天内核销；
• 对照组：不弹券，但保留常规运营活动（防止“黑暗效应”）；
• 灰度节奏：先10%流量跑48小时，核心指标无**-5%以上波动**即全量；
• 实时熔断：若当日ROI<1.0且样本量>30%，自动停发券并推送告警至企业微信。

【步骤5：数据回收与检验】

• 收入归因窗口：券核销后7天+30天双口径，财务以30天为准；
• 统计方法：Welch’s t检验+CUPED修正，置信区间下限≥1.5方可判胜；
• 敏感性分析：做断点回归（RDD）验证券使用门槛附近用户的ROI是否依然≥1.5，排除“天花板用户”拉高效应。

【步骤6：结论与汇报】
只有同时满足：

1. 30天口径ROI点估计≥1.5且95%CI下限≥1.32；
2. 核心指标显著，防护指标不劣化；
3. 财务、法务、内审三方签字；
   实验方可全量上线，否则回滚并输出补贴阈值下调方案。

拓展思考

1. 长期ROI与品牌资产：若实验周期拉长到180天，需用LTV预测模型（Gamma-Gamma+BG/NBD）把未来利润折现，避免低估品牌复购价值。
2. 补贴 wear-out：国内用户存在“券疲劳”，可引入间隔给药设计（Intermittent Reward），用强化学习动态调券面额，持续验证边际ROI≥1.5。
3. 政策变量：2025年起部分城市对大额优惠券需向央行报备，实验设计需预留合规缓冲池，确保突然政策收紧仍可48小时内零成本停券。