解读

面试官通过这个问题，想验证三件事：

1. 你是否理解续费场景的业务闭环（谁、在什么节点、为什么续费）；
2. 你是否能把业务语言翻译成可量化、可获取、可解释的特征；
3. 你是否具备数据合规与因果推断意识，避免“垃圾进、垃圾出”。
   在国内，续费模型常用于会员、订阅、SaaS、教育大班课、音视频月卡等场景，数据受《个人信息保护法》约束，敏感特征需脱敏或授权，否则直接淘汰。

知识点

1. 特征分层框架：**“谁-什么时候-做了什么-结果怎样”**四象限
   • 静态属性：套餐类型、开通渠道、支付习惯、设备品牌、城市等级
   • 动态行为：最近30天登录天数、功能使用深度、客服触达次数、社区互动、优惠券核销
   • 时间窗口：7天、30天、90天、生命周期同期群，防止信息泄漏
   • 业务衍生：距到期天数、剩余价值、是否自动续费开关、历史退款次数
2. 特征筛选方法：
   • **IV>0.02、PSI<0.1、缺失率<50%**先过滤
   • 再用L1正则+树模型重要性双通道，保留Top 30～50维
   • 对高度共线特征做VIF<5剔除，防止系数符号反转
3. 因果纠偏：
   • 对“发券”等干预变量，用** uplift model 或双重机器学习**剥离混淆
   • 对“到期前强制弹窗”做断点回归，避免把运营动作当用户意愿
4. 合规红线：
   • 不得直接使用IMEI、明文手机号、精确地理位置
   • 金融类套餐需做同态加密或联邦学习备案
5. 模型监控：
   • 上线后按周维度监控AUC、KS、分组PSI，衰减>5%即触发重训
   • 对**“高分未续费”**人群做归因访谈，反哺特征

答案

“我会按四步选取续费概率特征：
第一步，业务拆解。把续费拆成‘到期前30天决策期’和‘到期后7天挽留期’，分别采集行为，因为两个阶段驱动力不同。
第二步，特征池构建。核心抓三类：
① 价值感——剩余会员天数/总购买天数、高阶功能使用占比；
② 习惯度——最近30天连续登录天数、使用时段集中度；
③ 流失信号——客服负面工单数、优惠券囤积未用率。
所有特征统一做时间滑窗归一化，防止到期越近行为越密集导致的标签泄漏。
第三步，合规与降维。剔除缺失率>50%且无法推断的字段；对支付渠道、城市等分类变量做目标编码+差分隐私；用LightGBM内置重要性+IV值双筛，保留IV>0.02且重要性Top 40的特征，再检查VIF<5确保无多重共线。
第四步，因果纠偏。对‘是否弹券’这类强干预变量，单独做uplift tree，确保模型学到的是用户自然续费意愿，而不是运营动作本身。
最终，训练集用近6个月数据，测试集用未来1个月数据，保证时间外验证AUC≥0.80、KS≥0.40方可上线，并配置周级监控PSI<0.1的自动预警。”

拓展思考

1. 如果公司用户规模<50万，样本稀疏，可引入迁移学习：用同行业公开脱敏数据预训练，再用本企业数据微调，缓解冷启动。
2. 对高客单价年费会员，续费决策周期长，可构建T+0至T+90的多步预测链，先预测“是否进入决策期”，再预测“是否续费”，实现分层触达。
3. 当自动续费开关比例>70%，模型目标可从“续费”升级为“不退订”，特征侧重点应加入扣款失败次数、支付方式余额提醒、银行短信拦截率等支付端信号。
4. 面对iOS隐私政策收紧，IDFA获取率下降，可强化端内行为指纹（手势速度、功能路径熵）与服务端日志（接口调用序列）组合，替代部分设备级特征，保持模型稳定性。