Что хотят услышать интервьюеры:

Нужно показать, что фичи для одного пользователя делятся на стабильные и изменяемые во времени. Статистически важны те признаки, которые реально связаны с целевой метрикой, а не просто коррелируют случайно. Для персональных моделей важно уметь отделять признаки поведения, которые можно менять, от атрибутов, на которые пользователь повлиять не может.

Определение:

Фичи, которые могут изменяться для одного пользователя, — это признаки, зависящие от действий, состояния или контекста пользователя: частота визитов, средний чек, время активности, количество кликов, текущая сессия, тип устройства, география в моменте. Они могут меняться от события к событию или от периода к периоду.

Фичи, которые обычно не меняются или меняются редко, — это устойчивые атрибуты: дата рождения, пол, страна проживания, зарегистрированный сегмент, ID-атрибуты, исторически закреплённые настройки. Они либо постоянны, либо изменяются настолько редко, что в рамках модели их считают статичными.

Статистически «влияют» на таргет те признаки, у которых есть значимая связь с целевой переменной: при изменении фичи меняется распределение таргета, и это подтверждается данными, а не только здравым смыслом.

Пример использования:

Допустим, нужно предсказать вероятность покупки в интернет-магазине. Для одного пользователя будут сильно меняться фичи вроде числа просмотренных товаров за сессию, времени с последнего визита, суммы в корзине, категории просмотренных товаров. Почти не будут меняться возраст, пол и страна.

import pandas as pd
from sklearn.feature_selection import mutual_info_classif

# X: признаки пользователя на момент события
# y: факт покупки (0/1)
features = [
    "age",                  # почти статичная
    "country",              # почти статичная
    "sessions_last_7d",     # изменяемая
    "views_in_session",     # изменяемая
    "cart_value",           # изменяемая
    "time_since_last_visit"  # изменяемая
]

mi = mutual_info_classif(X[features], y, discrete_features="auto")

importance = pd.Series(mi, index=features).sort_values(ascending=False)
print(importance)

В этом примере sessions_last_7d, views_in_session, cart_value обычно оказываются более полезными для прогноза покупки, потому что отражают текущее намерение пользователя. age и country могут тоже быть информативны, но они не меняются от сессии к сессии.

Пояснение кода:

Код показывает простой способ оценить статистическую полезность признаков через mutual information.

Берутся признаки пользователя в конкретный момент времени.
Для каждого признака считается, насколько он связан с таргетом.
Признаки сортируются по убыванию важности.
По результату можно отдельно посмотреть на статичные и изменяемые признаки и понять, какие из них реально дают сигнал.

Если задача именно про «что может изменяться для одного пользователя», то обычно дополнительно анализируют:

дисперсию признака по времени;
частоту изменения значения;
feature drift на уровне пользователя;
связь признака с таргетом на разных временных окнах.

Ключевые моменты:

Статичные фичи — это устойчивые атрибуты пользователя, изменяются редко или почти никогда.
Изменяемые фичи — это поведенческие и контекстные признаки, зависящие от текущей активности.
«Статистически влияют» означает, что признак имеет измеримую связь с таргетом, а не просто кажется важным.
Для одного пользователя особенно полезны временные и поведенческие признаки, потому что они отражают текущее состояние.
Для корректного анализа важно учитывать утечку таргета и смотреть фичи в разрезе времени.
В реальной системе часто разделяют признаки на static features, dynamic features и derived temporal features.

Какие фичи статистически влияют и могут изменяться для одного пользователя, а какие нет?