“这意味着，”古民的声音依旧平稳，但每个字都清晰有力，“我们可能将相当一部分预算，花费在了那些只能带来‘注册’这个动作，但几乎无法带来后续真实价值的渠道上。这些预算的效率极低。”
负责渠道采购和投放的负责人脸色变得不太自然。一位资深数据分析专家提问：“你的价值用户定义是否过于严格？有些用户可能是慢热型，或者被其他因素影响。另外，渠道之间的差异性，比如目标人群不同，是否会导致价值评估的偏差？”
“问题很好。”古民似乎早有准备，“关于价值定义，模型支持调整阈值和权重。我们可以放宽标准，比如将‘完成一次任意订单’即视为有价值，或者缩短观察期。”他快速调整了几个参数，重新运行。结果比例有所变化，高价值用户比例上升到25%，但不同渠道之间的巨大效率差异依然存在，相对排名基本稳定。“关于渠道差异，模型可以控制基本的人群属性，如地域、基础设备类型等。但核心行为模式的差异，如注册后是否有探索行为、是否使用核心功能、是否产生非补贴交易，这些是评估用户与平台真实关联度的关键，应超越简单的人口学标签。”
另一位评审，产品线的负责人问：“这个模型能实时运行吗？还是只能事后分析？”
“模型的核心是定义和算法。只要有用户行为数据流，它可以实现准实时评估。目前我构建的是基于历史数据的分析版本，但理论上可以集成到数据管道中，对新增用户进行快速价值初筛和渠道效果近实时反馈。”古民回答。
“你提到资源分配偏差，”李明总监终于开口，声音平稳，听不出情绪，“基于你的分析，如果我们调整预算分配，从那些‘有效成本’高的渠道，转移到‘有效成本’低的渠道，你预估能带来多少效率提升？或者说，在同样的总预算下，能多获取多少‘有效用户’？”
古民调出最后一张图，这是模型进行的模拟优化结果。“根据过去三个月的数据模拟，如果将对低质量渠道的预算（约占分析样本中广告预算的35%），重新分配到高质量渠道，在保持相同总花费的情况下，模型预测获取的‘中高价值用户’数量，可以增加约50%到120%，具体取决于渠道组合和流量采买上限。同时，整体用户群的平均长期价值预测也会有显著提升。”
50%到120%。这个数字让会议室再次陷入安静。这意味着，按照当前模式，有超过三分之一的预算可能被严重低效使用，而优化潜力巨大。
“你的分析，”李明缓缓说道，“基于一个关键假设：你的‘价值用户’定义，比我们现有的指标，更能代表长期业务利益。如何证明这一点？如何证明这些‘高价值’用户，未来的留存、付费、生命周期价值就一定更高？而不是仅仅因为你定义的行为更复杂？”
这是一个触及根本的问题。古民早有预料。“两点证明。第一，回溯验证。”他展示了一组曲线，比较了被模型在早期（注册后7天）判定为“高价值”和“低价值”的用户，在后续30天、60天的实际留存率和人均GmV曲线。差异显著，高价值组的曲线衰减远慢于低价值组，人均GmV也更高。“模型基于早期行为的预测，与后续事实高度吻合。第二，相关性分析。”他又展示了一组数据，表明“价值评分”与用户在未来一个季度的实际总付费、活跃天数等指标，存在显著正相关，相关性远高于传统的“是否完成注册”或“次日是否留存”。
评审们看着屏幕上一条条清晰的数据曲线和统计结果，无人再轻易质疑模型的逻辑。问题不再是模型是否“正确”，而是它揭示的“真相”所带来的冲击，以及改变现状的阻力。
王磊此时抬起头，问了一个看似无关的问题：“古民，你展示的这些，包括模型本身，有没有在其他场合分享过？或者，你计划如何应用这个模型？”
“模型和分析结果，目前仅在此次答辩中向各位完整展示。在此之前，我与导师王磊老师就部分初步发现有过交流。”古民回答，“至于应用，模型和分析框架本身是开放的。它可以用于：第一，优化现有渠道预算分配，建立基于‘有效成本’的评估体系；第二，评估新渠道或新策略的长期潜力，避免被短期数据误导；第三，监控用户增长的健康度，及时发现‘价值折损’风险。具体如何应用，取决于部门的决策。”
他的回答谨慎而客观，将模型定位为工具，将决策权留给管理层。
答辩时间早已超时，但无人打断。李明总监看着屏幕上那些冷静却充满力量的图表，又看了看站在一旁、神色平静无波的古民，缓缓开口：“你的展示…很有冲击力。也很大胆。常规的实习生答辩，不会选择这种方式，也不会触及这样的议题。”
古民沉默，等待下文。
“你的模型和