真实面经题目 · 原创解析
这道题考察的是候选人能否跳出搜广推常见的 CTR、CVR 预估框架，理解用户增长算法的目标更偏用户生命周期和增量价值。搜索、广告、推荐通常围绕当前请求或当前流量做匹配、排序和转化优化；用户增长更关注拉新、激活、召回、留存、复购、会员转化、LTV、补贴效率和渠道 ROI。它的数据有更强的跨周期、跨渠道、延迟反馈和因果干预特征，模型也常涉及人群分层、uplift、因果推断、LTV 预估、流失预测、触达频控和预算分配。好的回答要比较目标、样本、标签、模型、实验和指标，并说明增长算法不能只追短期转化，否则可能造成补贴浪费、用户打扰和长期留存受损。
我会从目标、数据、模型和评估四层比较。传统搜索更强调 query 和结果的相关性、满意度以及点击转化；广告强调在预算和竞价机制下最大化广告主 ROI、平台收入和用户体验；推荐强调根据用户兴趣做内容或商品排序，提高点击、消费时长、转化和留存。用户增长算法的目标更偏生命周期经营，例如新客获取、首单激活、沉默用户召回、复购提升、会员转化、补贴投放和 LTV 最大化。数据上，增长算法不仅看站内曝光点击，还会看渠道来源、触达历史、优惠券领取、短信或 push 触达、注册登录、首单、复购、沉默周期、流失风险、支付和长期价值，反馈更延迟，也更容易受营销动作干预影响。模型上，除了 CTR/CVR，也会用流失预测、LTV 预估、人群分群、uplift model、因果推断、触达频控、预算分配和多臂老虎机等方法，重点判断“给这个用户做某个动作是否带来增量”。评估上不能只看点击率和转化率，要看 CAC、ROI、增量转化、留存、复购、LTV、补贴成本、渠道质量、用户打扰和长期负反馈。与搜广推最大的区别是，增长算法更关心干预带来的净增量和长期价值，而不是当前排序列表里哪个 item 最可能被点击。
搜索解决用户主动表达需求后的结果匹配，推荐解决无明确 query 时的兴趣分发，广告解决商业化投放和收益效率。用户增长则围绕生命周期：拉新、激活、留存、召回、复购、会员转化和 LTV。它关注的不只是某次请求是否点击，而是用户是否被有效带到下一生命周期阶段。
搜广推通常有大量曝光、点击、转化日志，粒度多是请求级、广告级或 item 级。增长数据更跨域：渠道投放、注册来源、触达记录、优惠券、push、短信、登录、首单、复购、沉默周期、流失、退款、支付、会员和长期活跃。标签往往延迟出现，而且会被触达和补贴策略影响，不能简单当成自然反馈。
搜广推常见模型是相关性、CTR、CVR、排序学习、多目标排序和召回模型。增长算法会更多使用流失预测、LTV 预估、人群分群、uplift model、因果推断、触达响应模型、券敏感度模型、渠道质量评估和预算分配模型。核心问题是判断某个干预对某个用户是否产生增量，而不只是预测用户本来就会不会转化。
增长场景天然带干预：发券、push、短信、广告投放、活动入口、价格补贴都会改变用户行为。如果只用历史转化训练 CVR，容易把“本来就会买的人”识别成高价值投放对象，造成补贴浪费。更合理的是通过随机实验、holdout、uplift 建模或因果估计区分自然转化和干预增量。
传统搜广推常看 CTR、CVR、GMV、收入、相关性、停留和用户满意度；增长还要看 CAC、CPA、ROI、增量转化、激活率、留存率、复购率、LTV、补贴核销率、渠道质量、触达退订、投诉和用户疲劳。增长指标要按 cohort 看长期表现，不能只看当天转化。
增长算法和搜广推不是割裂的。增长可以提供人群、预算、权益和触达策略，搜广推负责在具体请求中完成匹配和排序；广告系统提供渠道和投放能力，推荐系统提供站内承接和个性化。关键是统一归因、实验和用户体验护栏，避免多个系统同时触达同一用户造成打扰或重复补贴。
高 CVR 用户可能本来就会转化，给他们发券只是补贴了自然订单。增长更关心发券带来的增量，所以需要 uplift 或实验 holdout 判断干预效果，把资源给那些被触达后才明显增加转化的用户。
LTV 能帮助判断获客和补贴是否值得。一个用户首单 CVR 高但后续留存差，未必值得高成本获取；另一个用户短期转化慢但长期复购高，可能值得更多激活资源。增长决策要看长期价值和成本，而不是单次转化。
广告投放是增长获客和再营销的重要渠道，但增长算法还包括站内激活、留存、召回、权益和生命周期运营。广告更关注投放机制和广告主/平台收益，增长更关注用户从来源到长期价值的全链路效率。
要做频控、退订和负反馈监控，限制同一用户在短时间内收到过多 push、短信、券和广告。实验指标里要加入投诉、卸载、退订、消息关闭、活跃下降和长期留存，不能只看短期激活上升。
