M1-PB01Playbook指标框架 · Metric frameworks

指标设计的四层结构(所有 case 的通用骨架)

The four-layer metric structure (the backbone of every case)
💡 考场高分一句话答案:

指标设计的四层结构由北极星指标、体验指标、商业化护栏与技术工程指标有机咬合而成,避免单一指标被团队抗操纵式刷量。

🧭 Playbook 核心提示 / Actionable Calibration:

为什么必须乘法分解:因为面试官追问“那 OEC 涨了是好事吗”时,你要能说“看是哪个因子涨的”。同样是 RPM 上涨,CTR↑ 是好事,ad load↑ 是坏事,CPC↑ 则可能是广告主在补贴、不可持续。三者对长期价值的方向完全不同。

🗺️ 决策树与面试推进骨架 (Framework Tree)

L1  Goal(成功是什么)
    └─ 谁的行为/状态要改变?在什么时间尺度上?对谁有价值(用户 / 广告主 / 创作者 / Google)?

L2  OEC / North Star(一个主指标)
    └─ 必须:可观测、可归因到这次改动、不易被操纵、与长期价值同向
    └─ Google 术语:OEC = Overall Evaluation Criterion(Kohavi 体系)

L3  Input metrics(2–4 个,能解释 OEC 为什么动)
    └─ 乘法分解:OEC = A × B × C,每个因子都是一个可干预的杠杆

L4  Guardrails / Counter metrics(2–3 个,防止赢了指标输了业务)
    └─ 用户体验、系统性能、生态健康(广告主/创作者)、长期留存

📐 第一性原理与数理推导机理

指标体系代数关联模型:大盘商业收益由漏斗各层乘积决定:$$\text{Revenue} = \text{DAU} \times \frac{\text{Sessions}}{\text{DAU}} \times \frac{\text{Impressions}}{\text{Session}} \times \text{CTR} \times \text{CVR} \times \text{AOV}$$四层指标分别锚定该分解链条的不同环节,确保局部优化不会以破坏上游或下游转化率为代价。

⚠️ 常见高频面试陷阱与避坑指南

  • 将虚荣指标(如页面浏览量 PV)当作北极星指标,导致团队通过标题党或强制弹窗刷量。
  • 缺乏反向护栏指标(Counter Metric),为了提高短期点击率放水低质内容,伤害长期次月留存。

🔍 大厂面试官连环追问 (Follow-ups)

  • 如何为一个双边内容平台(如 YouTube 创作者与观众)平衡两侧相互制约的北极星指标?
  • 当业务团队通过降低产品质量来刷点击率时,DS 如何通过 Good-to-Bad 比率发现并阻止?

嫌字多看太累?进入苏格拉底式对话推演实验室

零打字负担,以大厂考官真实困境切入,通过点选直觉选项暴露思维盲区,手把手推导 Why。

💬 开启对话式破冰 ➔
⚡
Test muscle memory on this topic via 3-Layer Flashcards
Active Recall: Mentally formulate Prompt ➔ Math Derivation ➔ Benchmark Implementation in 3 minutes.
🎯 Drill This Card Now➔