M1-004Medium指标树实例 · Metric trees

如何衡量 Google Maps 导航功能是否成功?

How would you measure whether Google Maps navigation is successful?
💡 考场高分一句话答案:

OEC 是“导航完成率 × ETA 准确度”,输入看 reroute 率与 off-route 事件,护栏看耗电、错误导航投诉与安全。

The OEC is navigation completion times ETA accuracy, with reroute rate and off-route events as inputs, and battery use, wrong-navigation complaints and safety as guardrails.

📌 核心考察要点 (Key Points)

  • 完成率:start→arrive 的完成比例,中途放弃是强负信号
  • ETA 准确度:|实际时长 − 预计时长| 的中位数与 p90,而非均值(长尾会拉偏)
  • 路线质量:reroute 次数、off-route 事件、用户手动改路线比例
  • 护栏:耗电/流量、错误导航投诉率、危险路段规避、隐私(位置数据使用)
  • Completion: share of started navigations that reach the destination; mid-route abandonment is a strong negative
  • ETA accuracy: median and p90 absolute error, not the mean, because the tail dominates complaints
  • Route quality: reroutes, off-route events, share of manual route overrides
  • Guardrails: battery and data use, wrong-navigation complaint rate, hazard avoidance, location privacy

📐 第一性原理与数理推导机理

ETA 误差应该用分位数而非均值:用户对“迟到 30 分钟”的痛感远大于“早到 30 分钟”的愉悦,误差分布高度不对称。实务上常看 p90 绝对误差与“迟到超过 5 分钟的比例”,后者直接对应投诉率。

⚖️ 业务权衡与取舍 (Trade-offs & Calibration)

导航是安全相关产品,指标的容错极低。因此 A/B 的护栏设计要更保守:不能只看平均值,要看“最差分位”。同时导航改动常涉及路线选择,会产生空间溢出(实验组改走小路导致对照组拥堵),需要用 switchback 或地理随机化(见 M3)。

⚠️ 常见高频面试陷阱与避坑指南

  • 用平均 ETA 误差——会掩盖系统性迟到
  • 忽略空间溢出,用用户级随机化做路线类实验

🔍 大厂面试官连环追问 (Follow-ups)

  • 如何衡量“这条路线的驾驶体验更平顺”?
  • 如果新路线更快但用户手动改回旧路线的比例上升,说明什么?

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 ➔
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔