第4章：业务目标拆解为可量化指标——从业务KPI到模型评估指标的逻辑拆解树

4.1 场景与业务问题

假设你正在为某电商平台设计“新品推荐”AI产品。业务方提出：“我们希望提升新品转化率，从而带动GMV增长。” 这是一个典型的业务目标，但直接作为模型目标会带来两个问题：

• 不可直接优化：转化率受价格、促销、库存、视觉等多种因素影响，模型无法直接优化全局转化率。
• 缺乏可量化追踪：业务KPI（如GMV、转化率）是宏观结果指标，模型需拆解为可离线验证、可反复迭代的评估指标。

用户访谈时需问清楚：

• “您所说的‘转化率提升’，具体指点击转化率还是购买转化率？是否区分新用户/老用户？”
• “GMV增长主要通过提升客单价，还是通过提升成交笔数？”
• “模型目前存在什么具体问题？比如推荐的商品不够相关，还是排序不够个性化？”

4.2 逻辑拆解树结构

拆解树采用“目标 - 业务KPI - 业务子指标 - 模型评估指标”四层结构。以新品推荐为例：

4.3 逻辑拆解树 SVG（核心图示）

4.4 用户访谈需求拆解关键点

在用户访谈后，产出的需求拆解文档应包含：

1. 业务目标陈述：一句话描述（如“提升新品推荐对GMV的贡献”）。
2. KPI清单：每个KPI的公式、数据源、统计周期。
3. 业务子指标漏斗：从曝光→点击→加购→下单→支付，每一步的转化率。
4. 模型评估指标映射：哪个子指标对应哪个模型指标，并给出“达标线”。

4.5 指标口径与维度拆解

每个模型评估指标必须带有明确的口径定义，否则后期AB测试会产生分歧。以下为常用指标口径示例：

def compute_auc(user_item_scores, labels):
    # labels: 1代表点击，0代表未点击
    return roc_auc_score(labels, user_item_scores)

def ndcg_at_k(relevance, k=10):
    dcg = sum((2**r - 1)/log2(i+1) for i,r in enumerate(relevance[:k]))
    ideal_dcg = sum((2**r - 1)/log2(i+1) for i,r in enumerate(sorted(relevance, reverse=True)[:k]))
    return dcg / ideal_dcg if ideal_dcg > 0 else 0

recall = len(hit_items & topk_items) / len(hit_items)

4.6 验收标准与交付物模板

拆解树完成后，需通过以下验收标准：

• 完整性：每一个业务KPI至少拆出2个以上业务子指标。
• 可量化性：每个模型评估指标有明确的计算公式及数据源。
• 可解释性：业务方能口头复述“为什么这个模型指标能反映业务目标”。

交付物模板格式如下（Excel/Notion/Confluence）：

| 层级           | 名称               | 目标值   | 数据源         | 责任人   |
|---------------|-------------------|--------|--------------|--------|
| 业务目标       | 提升GMV            | +5%    | 财务系统       | 业务总监 |
| 业务KPI        | 购买转化率         | 3%→3.5% | 埋点事件流    | 运营经理 |
| 业务子指标     | 点击率(CTR)        | 12%→15%| 推荐曝光日志   | 算法PM   |
| 模型评估指标   | AUC                | ≥0.85  | 离线评估集     | 算法工程师 |