## 决策
**暂不全面用B替换A。** 现有3月数据中，B的分层净付费率均高于A，但总体率较低；分配非随机，且资深顾问集中在B、顾问信息缺失，不能把分层差异归因于方案本身。建议保留A作对照，在30小时内执行一个小型、按复杂度分层随机的两组试点；这只能验证流程可行性并积累随机分配数据，不足以承诺检出效果或证明效能。扩组须另行批准容量。

## 口径与已观测结果
决策目标是比较客服辅助方案对**30天净付费**的影响，而不是仅比较7天激活。单位为客户；分母为各方案、复杂度组的入组客户。30天净付费已扣除30天内退款，每名净付费客户首月收入300元，成本未知。数据截至2027-04-30；材料称3月客户均已成熟。4月26日另入B的100人仅观察4天（50激活、12已付），不纳入30天结果或方案比较；其付费结果未成熟。

| 方案/复杂度 | 客户数 | 7天激活率 | 30天净付费率 |
|---|---:|---:|---:|
| A / 高 | 600 | 40% (240/600) | 10% (60/600) |
| A / 低 | 400 | 10% (40/400) | 2% (8/400) |
| B / 高 | 200 | 50% (100/200) | 15% (30/200) |
| B / 低 | 800 | 15% (120/800) | 3% (24/800) |
| A / 总计 | 1,000 | 28% (280/1,000) | 6.8% (68/1,000) |
| B / 总计 | 1,000 | 22% (220/1,000) | 5.4% (54/1,000) |

B总体净付费率比A低 **1.4个百分点**，相对低 **20.6%**（5.4%/6.8%-1）；7天激活率低6个百分点。按已给收入计算，3月观察到的首月收入为A 20,400元、B 16,200元；这不是利润或净增量，因成本未知且方案组不可比。激活是代理指标，不可替代成熟净付费。

总体构成不同：A为高复杂度60%、低40%；B为高20%、低80%。若仅作共同构成描述性标准化，设高/低各50%，净付费率为A 6.0%、B 9.0%（B高3.0个百分点）；若设高30%、低70%，A为4.4%、B为6.6%（B高2.2个百分点）。这是把已观测分层率套用目标构成的情景计算，不是因果估计；未来构成未保证。B的总体率对其低复杂度占比高这一事实敏感，故粗率不能单独用于设计归因。即使在两层内B均较高，也仍是观察性差异。

## 归因判断
- **模型（可能关系）**：既有复杂度、顾问资历/能力、客户特征可能影响方案分配，也可能影响净付费；方案可能影响激活及后续付费。材料明确指出分配非随机、资深顾问集中B，但未保留顾问信息。
- **识别**：按复杂度分层只能处理已记录复杂度的构成差异。若未测量的顾问资历同时影响方案分配与净付费，该混杂路径在复杂度分层后仍开放。因此，设计对净付费的因果效应未建立；不可把B的层内优势说成方案效果，也不可据此宣称A优于B。
- **唯一决策性挑战**：比较两种预先给定的复杂度目标构成，观察标准化方向仍为B较高，但幅度随目标构成变化；这提示构成会改变解读，并未解决未测顾问混杂。没有随机化和顾问数据，现有聚合数据不支持因果估计；不做伪精确显著性或反驳检验。

## 30小时内行动建议
提请批准一个**12人、两臂、复杂度分层随机的可行性试点**：高复杂度6人、低复杂度6人；每层随机3人分配A、3人分配B。A共6人×2小时=12小时；B共6人×3小时=18小时；合计30小时，不超订。容量按入组和方案实际工时占用，不用激活率折算；不把估计提升当作可保证的容量上限。若每人预留工时不能实际约束资源，应在入组前建立可执行的入组闸门；没有闸门则不得超出上述人数。

**入组前约定**：以客户为随机单位；按采用前既有复杂度分层，在层内预先随机分配并记录分配、实际暴露、顾问及入组时间；不得按激活结果改组。主要指标为入组后30天净付费率（净额定义沿用既有退款口径）；7天激活仅作代理指标，另记录成熟率、退款和工时作为护栏/运营记录。所有客户观察满30天后再汇总。随机试点的主要用途是检验分配、暴露记录、工时闸门与随访能否执行，并为后续比较提供随机数据；12人规模没有已知效应阈值或样本量依据，不应当作有足够检验效能的成效试验。试点后若要判断成效，先取得业务方认可的决策阈值及所需样本量依据，再申请扩组；在此之前维持A/B试点安排，不作全面替换承诺。

## 可复现计算（Python 3）
```python
rows = {'A高': (600,240,60), 'A低': (400,40,8),
        'B高': (200,100,30), 'B低': (800,120,24)}
for k,(n,act,paid) in rows.items():
    print(k, f'激活={act/n:.1%}', f'净付费={paid/n:.1%}')
for mix in ((.5,.5),(.3,.7)):
    print('高低权重', mix)
    for arm in 'AB':
        hi = rows[arm+'高'][2] / rows[arm+'高'][0]
        lo = rows[arm+'低'][2] / rows[arm+'低'][0]
        print(arm, f'{mix[0]*hi+mix[1]*lo:.1%}')
print('试点工时', 6*2+6*3, 'A人数=6 B人数=6')
```
实际输出：A高激活40.0%、净付费10.0%；A低10.0%、2.0%；B高50.0%、15.0%；B低15.0%、3.0%。高低50/50：A 6.0%、B 9.0%；高低30/70：A 4.4%、B 6.6%。试点工时30，A人数6、B人数6。

## 方法参考采用
采用两项正例的具体方法而非其客户事实或阈值：Netflix artwork实验序列提醒局部代理指标未必代表业务整体，并应明确替代解释；个性化部署案例强调先检查分配/暴露机制、保留分群背景，并区分参与度代理与业务结果。本备忘录据此以成熟净付费为主指标，检查复杂度构成与非随机分配，并把随机小试点限定为可行性验证。