题目重点：DoorDash MLE Domain 面经题：Promotion Offers 面向消费者增长，如何分群、设触发、控制预算并以实验衡量增量收益。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练契约以提升长期有利润的新增/回流订单为目标，优惠是成本；题目未明确精确 KPI，必须先向面试官确认是拉新、促活还是召回沉默用户。
- 所有 offer 在服务端有适用人群、商家/地区、有效期、预算与使用次数规则；不能让模型输出直接决定最终结账金额。
解题路线
- 先按用户生命周期拆目标：新用户首单、低频用户回流、高流失风险用户保留；各自定义基准转化、可接受补贴与归因窗口。不要把所有用户混进同一个“增长”标签。
- 候选优惠可由规则引擎生成，模型估计无券购买概率与有券购买概率，再计算预期增量利润 = 增量订单毛利 − 优惠成本 − 履约额外成本。设预算/频控/风控/商家公平护栏。
- 在线决策先检查资格、预算预留与频控，再选择 offer，生成稳定 offer_id 与曝光事件；实际 redeem 由结账服务再次原子校验有效性与预算，防并发超发。
- 用用户层随机 A/B 或长期 holdout 估计增量而非只看领券转化；同时看净营收、毛利、复购、取消/退款、商家/骑手容量与补贴 ROI。避免在同一用户上混杂多个促销实验。
手动走一遍
两位用户都可能下单：A 无券购买概率已很高，B 因首单运费犹豫。若给两人同样 5 美元券，A 的订单可能只是被补贴，B 才是增量。实验应比较各分群在有券/无券下的订单和利润差，而不是只计算领取后的购买率。金额是训练示例，不是题目数据。
规模与取舍
若每次请求考虑 U 个优惠、F 个特征，规则过滤与打分约 O(UF)；线上主要成本是候选数量、预算原子预留与实验日志量。优化目标需含补贴预算上限和峰值履约容量，否则模型可能把订单集中在无法服务的时段。
易错点与追问
容易失分的边界
- 把高购买倾向用户作为唯一发券目标会补贴本来就会买的人，无法证明增长增量。
- 只看短期 GMV 而不扣优惠成本、退款与长期留存，容易把亏损增长当成功。
- 模型发券结果与结账资格校验脱节，会产生“展示了券却无法兑现”或重复核销。
- 跨地区/商家实验有市场干扰，用户层随机可能仍需地理分层或 switchback 设计；先看供需耦合程度。
继续深挖
- 若冷启动用户无历史特征，先用来源渠道、地区、时段与简单规则，保留对照组；不要声称已有稳定个性化提升。
- 若欺诈账号批量领取优惠，加入设备/支付工具/地址关联与限额、异常复核，但要监控误伤新用户。
