解读

面试官想知道三件事：

1. 你能否把“路径”拆成可观测、可干预的微观节点；
2. 你能否用国内主流数据工具（神策、GrowingIO、火山引擎等）把节点数据与订单归因打通；
3. 你能否用实验设计而非“拍脑袋”证明 GMV 增量确实来自路径优化，而不是季节、补贴或外投。

一句话：既要算得准，也要算得清。

知识点

1. 路径定义：指用户从“曝光→点击→商详→加购→下单→支付成功”的完整漏斗，也包含横向的“频道页→活动页→直播间→下单”等支线。
2. GMV 拆解公式：GMV = UV × 转化率 × 客单价 × 复购频次；路径优化通常先动转化率，再动 UV 与客单价。
3. 归因模型：国内常用末次非直接点击归因（30 天窗口）+ 优惠券归因券码级双重校验，防止“券后跌价”虚增 GMV。
4. 实验单元：以用户 ID 哈希做分流，保证同一用户始终进入同一版本；样本量用绝对提升度 0.8%、置信度 95%、统计功效 80% 倒推，一般不低于 20 万 UV。
5. 数据口径：必须排除刷单、退货、取消订单；国内电商退货率 10%–25%，需用“支付成功且 15 天未退货”作为最终 GMV。
6. 显著性检验：转化率用双尾 Z 检验，GMV 绝对值用Welch’s t 检验（方差不齐），同时看分位数提升（如 P50、P90）防止被头部用户拉高。
7. 长期效应：实验结束后持续跑14 天 hold-back，观察是否存在“透支消费”导致对照组 GMV 反超。

答案

回答采用“四步法”，每步给出可落地的中国本土工具与指标，面试官可直接追问细节。

第一步：路径埋点与基线测算
用神策埋点把“首页 Banner→活动落地页→商详→加购→下单→支付”6 个节点全部标记为 custom_event，同时上报商品 ID、价格、优惠券 ID、订单号。跑 7 天基线数据，得到原路径转化率 CVR0 = 3.2%，基线 GMV0 = 1246 万元。

第二步：提出优化假设并设计实验
假设：把“加购按钮上浮 80 px + 默认勾选优惠券”可缩短决策路径，预计 CVR 提升 0.5 个百分点。
用火山引擎 A/B 平台按用户 ID 哈希 1:1 分流，实验组与对照组各 25 万 UV，实验周期 10 天，覆盖完整两个周末，避免周末效应偏差。

第三步：核心指标与辅助指标同时观测
核心指标：实验组 GMV 绝对值；辅助指标：CVR、客单价、退货率、优惠券核销率、页面停留时长。
实验结果：

• CVR 实验组 3.7%，对照组 3.2%，相对提升 15.6%；
• 客单价实验组 198 元 vs 对照组 195 元，差异不显著（p=0.18）；
• 退货率均为 11.2%，无显著差异；
• 支付成功且 15 天未退货 GMV 实验组 1438 万元，对照组 1246 万元，绝对提升 192 万元，相对提升 15.4%；
• Welch’s t 检验 p=0.006，统计显著。

第四步：计算 ROI 与长期校验
路径优化开发成本 3 人日 + 设计 1 人日 ≈ 1.2 万元；
10 天实验带来增量 GMV 192 万元，按平台扣点 5% 实际贡献收入 9.6 万元，ROI = 8 倍；
实验结束后再跑 14 天 hold-back，两组 GMV 差异收敛到 0.8%，无透支消费迹象，结论可信。

拓展思考

1. 如果路径优化涉及内容个性化（如首页推荐算法），需改用聚类分层实验（UU 分层 + 商品池分层），避免“用户层面正显著、商品层面负显著”的辛普森悖论。
2. 当 GMV 提升主要来自补贴券核销率上升时，需用边际补贴率（增量 GMV / 增量补贴成本）替代 ROI，防止“GMV 涨、利润跌”。
3. 在微信小程序场景，由于无法拿到完整设备 ID，可用UnionID + 手机号后四位拼接做分流，但需加密哈希确保合规（《个人信息保护法》）。
4. 若公司采用**“多触点归因”（抖音种草→淘宝成交），需把巨量云图数据以订单号为主键回写至内部数仓，再用Shapley Value** 分权重，否则路径优化功劳会被外投“截胡”。