解读

面试官问的不是“公式”，而是“如何评估”。他要看三件事：

1. 你是否能把干预成本拆到“可落地的中国账”；
2. 你是否能把LTV增量算到“业务认的增量”，而不是纸面数字；
3. 你是否能在资源有限、数据残缺、短期ROI高压的国内真实环境里，做出可执行的决策。
   因此，回答必须体现“可验证、可复盘、可迭代”的运营闭环，而不是背模型。

知识点

1. 干预成本=直接花出去的钱+内部资源影子成本+机会成本
   • 直接成本：短信/券/达人佣金/广告投放/短信通道费/个税代扣
   • 影子成本：产研排期、BI人力、法务审核、客服溢出
   • 机会成本：同一批预算如果投给别的渠道，能带来的GMV折现
2. LTV增量=干预组LTV－自然对照组LTV，必须跑满完整生命周期或采用Causal Impact+生存模型修正
3. 因果识别在国内常用三件套：
   • PSM+DiD：适合月活千万级以上平台，数据仓库能拉用户粒度日表
   • Uplift Model：适合券类干预，用LightGBM做τ‐estimation，正向uplift>0才发券
   • 随机小流量+延迟观测：合规且容易向老板解释，7天留存提升≥1pp才全量
4. 成本回收周期=干预成本÷每月增量毛利，国内一般要求≤6个月，教育/医疗赛道可放宽到12个月
5. 敏感度分析：把券面额、发放门槛、人群渗透率、退券率同时做蒙特卡洛模拟，看IRR<15%的极端场景占比，低于5%才敢拍预算

答案

我会分四步落地：
第一步，把成本算到“分”。先拉财务BP一起建“干预成本底表”，短信按条0.038元、5元券按实际核销额记、达人佣金含20%星图服务费，产研按“人日×1500元”计入影子成本，最终算出单用户干预成本CAC_i。
第二步，跑因果实验。取近30天沉默用户200万，随机分成30%实验组+70%对照组，实验组推“3元首单券+push”，对照组什么都不做。用PSM+DiD校正性别、年龄、历史消费层级，观测180天，得出实验组LTV提升ΔLTV=18.6元。
第三步，算回收与敏感度。CAC_i=4.2元，ΔLTV=18.6元，LTV/CAC=4.4，回收周期=4.2÷(18.6/12)=2.7个月，满足公司≤6个月红线。接着用Bootstrap抽1000次，发现券面额每+1元，ΔLTV只+0.8元，边际ROI<1，因此把券面额锁死在3元。
第四步，上线后做动态调优。每周跑Uplift Model，把uplift≤0的用户实时踢出营销池；同时建成本预警看板，当单周CAC_i>ΔLTV×0.3时自动停流，确保模型衰减也能守住ROI。

用这套流程，我们上一季度沉默召回预算砍了22%，但贡献GMV反涨18%，人效提升35%，财务已签字纳入SOP。

拓展思考

1. 如果老板只给你7天看结果，可以把LTV增量换成高潜90天LTV预测值，用XGBoost+合约转化标签，把预测误差MAPE控制在12%以内，再折现回7天，也能拍板。
2. 在iOS隐私政策+安卓OAID回收率下降的背景下，建议把“干预成本”里加一项“数据补全成本”，包括买第三方画像、联邦学习建模费用，避免事后才发现样本偏差把ROI吃掉。
3. 对于高客单低频赛道（房、车、教育），ΔLTV的观测期可能长达两年，可用生存分析里的Breslow估计把删失用户算进来，同时把资金占用成本按8%年化折现，才能保证财务模型不被挑战。