解读

面试官问“12个月还是24个月”，并不是让你二选一，而是考察你能否把业务目标、数据基础、资源投入与风险承受力这四件事放在同一框架里权衡。国内互联网节奏快，12个月窗口更贴近OKR节奏和预算周期，但24个月窗口对高客单、低频次行业（教育、房产、SaaS）更能看清LTV。回答时要先讲判断逻辑，再给出可落地的“阈值+场景”规则，体现数据驱动+业务敏感。

知识点

1. 用户生命周期长度：国内移动应用平均生命周期9-14个月，若品类生命周期<18个月，24个月窗口会引入大量噪声。
2. LTV回收曲线：80%现金回流周期是天然锚点；国内电商约6个月，在线教育大班课约15个月，超过20个月必须拉长期窗口。
3. 数据成熟度：12个月需要≥连续18个月完整数据，24个月需要≥30个月数据且期间无重大战略转向（如停投、换客群）。
4. 公司财务视角：上市公司更偏好24个月以平滑季度波动；初创公司融资轮次越靠前越倾向12个月，方便下一轮融资讲故事。
5. 技术约束：国内隐私合规要求“最小必要”，24个月模型需额外存储与授权，可能触发合规评审。

答案

“我会用三步法锁定窗口：
第一步，看品类LTV回收比例。拉取历史数据，计算第12个月与第24个月的累计GMV回收占比。若12个月已回收≥80%，则直接选12个月；若12个月回收<60%且24个月回收≥80%，则选24个月；介于60%-80%之间进入第二步。

第二步，做数据稳定性检验。用滚动窗口回溯，看过去30个月里24个月模型MAPE是否比12个月模型降低超过5个百分点且方差下降显著（p<0.05）。若通过，则证明拉长窗口能提升精度，否则坚持12个月。

第三步，对齐资源与合规。24个月模型需额外存储1.8倍数据量，若公司当前数据仓库余量<30%或法务评估认为长周期存储风险高，则降级回12个月，并通过加权校准把剩余20%未回收价值折算进预测。

落地时我会把结论写成一页A4：阈值规则+数据证据+资源消耗+合规结论，让老板签字存档，确保后续OKR复盘有依据。”

拓展思考

如果面试官追问“业务处于快速迭代期，窗口能否动态调整？”可答：
“我会建立季度滚动机制，每季末重新跑一遍三步法，但设置** hysteresis（滞后）阈值**：只有当新旧窗口的LTV误差连续两季度>10%才触发切换，避免频繁震荡。同时把模型版本号写入数据血缘，保证历史预测可回溯，符合国内审计要求。”