业务算法 / 03
实验、策略与增长
增长类算法经常围绕权益、补贴、触达、价格和流量策略展开。它的核心不是预测谁会转化，而是判断对谁干预有增量。
预测和增量的区别
预测模型问：
谁最可能转化？
增量模型问：
给谁发券会让他从不转化变成转化？
高转化用户可能不需要补贴，低转化用户可能补贴也没用。真正有价值的是边际可影响人群。
Uplift 思维
Uplift 估计 treatment 对 outcome 的增量影响。
例如：
- treatment：发券。
- outcome：购买。
- uplift：发券相比不发券增加的购买概率。
策略可以按 uplift / cost 排序，在预算内投放。
实验设计
增长策略要尽量通过随机实验评估。
关键点：
- 实验单元：用户、城市、时间片。
- 分层：新老用户、活跃度、渠道。
- 指标：转化、GMV、成本、ROI、留存。
- 护栏：投诉、退订、补贴依赖。
策略迭代
增长策略不是一次上线结束。要持续：
- 找人群。
- 设计干预。
- 实验评估。
- 归因分析。
- 更新模型。
- 控制成本。
面试题：如何评估优惠券是否有效
理想回答：
我会通过 A/B 实验估计增量效果，而不是只看领券用户的转化率。指标上看转化、GMV、补贴成本、ROI 和长期留存。如果不能完全随机，会考虑 DID、PSM 或 uplift 模型，并关注样本选择偏差。
总结
增长算法的重点是策略和因果，而不是单纯预测。面试里要反复强调“增量”和“成本约束”。
下一篇建议继续看：