如何评估修复后画像精度提升？
解读
面试官问的不是“画像怎么做”，而是“修复后”的“精度提升”如何量化。这背后隐含三层考察：
- 你是否知道画像“坏了”的表现（覆盖率下降、区分度衰减、转化率失真）；
- 你是否能用国内可落地的数据指标证明“修好了”；
- 你是否能把精度提升翻译成业务结果，让老板一眼看懂“值不值”。
因此，回答必须围绕“前后对比、闭环验证、业务挂钩”展开，且所有指标都必须是国内主流埋点+数据仓库+CDP能直接跑出来的。
知识点
- 画像精度=标签准确率×覆盖率×稳定性
国内大厂通用定义：准确率=人工抽检一致率，覆盖率=有该标签的MAU/总MAU，稳定性=7日标签值翻转率<5%。 - 修复动作通常指：样本去噪、ID-mapping归一、特征工程升级、模型迭代（XGBoost→Wide&Deep）。
- 评估必须做双重验证：
- 技术层：AUC、KS、PSI、边际贡献度；
- 业务层：AB实验核心指标（拉新ROI、次留、付费率、召回率）。
- 国内合规红线：用户授权链完整、脱敏日志留存≥3年，否则精度再高也不能上线。
答案
“我会用三阶闭环法把修复效果量化到业务层，让老板直接看到钱。
第一步，技术校准：
① 随机抽样5000条最近7日活跃用户做人工盲测，计算Top 30核心标签准确率，修复后准确率从82%提到91%，提升9个百分点；
② 用PSI<0.1验证分布稳定性，确保不是过拟合；
③ 跑KS值，金融风控场景下从0.28提升到0.36，越过0.3可用线。
第二步，业务回灌：
把修复后的画像同步到字节巨量引擎做Lookalike人群扩展，同样预算下：
- 拉新CPA从38元降到27元，降幅29%；
- 支付转化率提升1.7个百分点，对应单日GMV+120万；
- 次留绝对值提升3.1个百分点，经CUPED去季节波动后依旧显著。
第三步，持续监控：
在CDP里建**“画像健康度”仪表盘**，每日自动跑覆盖率+翻转率+贡献度三维报告，一旦PSI>0.1或翻转率>5%即触发灰度回滚，保证线上效果不反弹。
结论：用9%准确率提升→29%CPA下降→120万日GMV增量这条逻辑链，把技术语言翻译成业务语言，就是修复后画像精度提升的最好证明。”
拓展思考
如果面试官追问“标签冲突怎么解”，可补充：
- 用规则优先级+置信度打分双轨制，例如“高消费”标签置信度>0.85直接采用，<0.6则降级到“潜力消费”；
- 引入实时反馈链路：用户站内搜索“苹果手机”且停留>30s，自动触发兴趣标签补全模型，30分钟内写回CDP，实现小时级修正；
- 对高价值沉默用户做**“画像纠偏”专项**：先用RNN+Attention预测30日回购概率，再把预测结果与原有画像做加权融合，最终使召回短信转化率从2.4%提升到4.6%，接近翻倍。