解读

面试官想验证三件事：

1. 你是否理解“中腰部主播”在平台生态中的战略定位——他们介于头部与尾部之间，是内容多样性与商业长尾的关键支点；
2. 能否把“算法调整”这一黑箱变量拆解成可观测、可量化的过程指标与结果指标；
3. 是否具备因果推断意识，能排除节日、投放、热点事件等混杂因子，证明“是算法带来增长，而不是运气”。

因此，回答必须围绕“定义人群→锚定目标→设计指标→建立对照→持续迭代”五步展开，且所有指标必须可落地到国内主流直播平台的现有埋点与数据仓库。

知识点

1. 中腰部主播分层标准
   国内平台通常以近30日日均GMV或日均观看人次的分位数划分：P75-P95区间为“腰部”，P50-P75为“中腰部”。需用**平台内部数仓表（user_profile + live_daily_stats）**做动态分层，而非固定金额，防止通胀。

2. 算法扶持常见手段
   流量券加权、召回池提权、推荐位保底、粉丝页卡加权、同城频道提权、冷启动流量包。要在答案中明确“我们假设算法调整=推荐流曝光加权+召回池提权”，否则指标无法对齐。

3. 因果推断方法
   国内AB实验资源紧张，中腰部样本量大但单个UV低，常用分层差分-断点混合设计：

   • 分层：按垂类+粉丝量级分层，减少选择偏差；
   • 差分：实验前7天vs后7天，delta=（实验后-实验前）/实验前；
   • 断点：在分层边界附近用RDD验证，确保政策阈值附近无操纵。

4. 核心指标三层漏斗
   曝光→进入直播间→有效观看→关注/打赏/下单。必须区分效率指标（进入率、停留时长、关注率）与规模指标（总曝光、总GMV），防止“流量灌水后转化率下降”被掩盖。

5. 负向监控
   需同步监控头部主播流量稀释率与用户滑动深度，确保生态总分发效率不下降，否则会被算法团队回滚。

答案

第一步，人群锁定：用T-1日至T-30日直播数据，按日均GMV分位数抽取P50-P95主播作为“中腰部实验池”，并剔除近7日参与平台活动或商业化投流样本，保证基线干净。

第二步，目标对焦：与算法团队对齐“扶持”到底指什么——假设为“推荐流曝光加权20%”。业务目标设定为30日内实验组人均GMV提升≥15%，且关注率绝对值提升≥0.8个百分点，同时**头部组GMV跌幅≤2%**作为生态红线。

第三步，指标设计：

1. 核心结果指标
   • 人均GMV=实验周期内GMV÷活跃主播数
   • 人均关注净增=期末关注数-期初关注数
2. 过程效率指标
   • 曝光-进入率=直播间进入次数÷推荐流曝光次数
   • 有效观看率=观看≥30s人次÷进入人次
   • 打赏渗透率=打赏UV÷观看UV
3. 负向生态指标
   • 头部流量占比下降值=头部组实验后曝光占比-实验前
   • 用户人均滑动次数变化≤+3%

第四步，实验与因果：采用7天预跑+14天正式实验的分层差分设计。用主播ID哈希取模分流，确保实验组与对照组在垂类、粉丝量级、历史GMV三维度协变量平衡（标准差<0.05）。显著性检验用双边t检验，α=0.05，power≥80%；若样本量不足，引入CUPED降低方差。

第五步，结果解读：

• 若人均GMV提升≥15%且p<0.05，同时关注率提升≥0.8%，则判定扶持有效；
• 若头部流量占比下降>2%或用户滑动深度显著增加，触发生态刹车，算法加权下调至10%。

第六步，长效复盘：实验结束后继续跟踪30日留存率与复播率，防止“流量兴奋剂”效应。用uplift model找出高敏感度主播（加权后GMV delta>30%），沉淀为重点孵化白名单，进入下一轮精细化加权策略。

拓展思考

1. 如果平台AB实验桶资源不足，可用时间片轮转实验：把一天切成96个15分钟槽位，按主播ID+时段哈希随机给加权，用双重差分抵消时段效应，满足因果。
2. 中腰部主播内容质量差异大，可引入实时内容理解模型输出“内容分”，将主播按内容分×粉丝量级二维矩阵切片，对不同象限给予差异化加权，后续用多元回归拆解“内容分”与“加权”对GMV的交互效应，实现精细扶持。
3. 长期价值需看6个月LTV：把实验组主播的粉丝后续180天GMV与对照组做生存分析，若实验组LTV hazard ratio>1.2，说明算法不仅拉动了当期，还加速了成长跃迁，可争取更多战略流量预算。