Referenz zu Vorhersagemodellen
Die Vorhersageschicht von Flash ist eine gläserne Box: zwölf klassische, deterministische Modelle – keine Black-Box-Bewertung. Jedes Modell ist reines TypeScript, deterministisch von Grund auf (feste Optimierer und Zeitpläne, keine zufällige Initialisierung, kein Sampling – dieselben Daten erzeugen immer dasselbe Modell, sodass eine Bewertungsänderung immer auf eine Datenänderung zurückzuführen ist), wird nächtlich pro Mandant anhand dessen eigener Daten neu trainiert und ist durch eine Ehrlichkeitsprüfung abgesichert: Unterhalb des festgelegten Minimums realer Historie jedes Modells ist die Ausgabe NULL/nicht vorhanden – Oberflächen liefern nichts außer einer Schätzung. Vorhersagen werden geordnet und vorgeschlagen; Die Ausführung unterliegt den Genehmigungen, Obergrenzen und Zustimmungsprüfungen der Plattform.
Diese Seite dient als technische Referenz für jedes einzelne Modell: Sie beschreibt die Berechnungen, die Methoden, Eingaben und Ausgaben sowie deren Zielorte, die Integritätsprüfungen und die Schnittstellen, die die Ergebnisse verarbeiten. Die Anwendungsfälle für Unternehmen finden Sie auf der Produktseite Predictive Intelligence; die Governance-Richtlinien für jedes Modell finden Sie im Leitfaden für KI-Governance.
Vier Garantien, die für jedes Modell gelten
Deterministisch von Grund auf
Jedes Modell ist reines TypeScript mit festen Optimierern und Zeitplänen – keine zufällige Initialisierung, kein Sampling. Dieselben Daten erzeugen immer dasselbe Modell, daher lässt sich eine Score-Änderung immer auf eine Datenänderung zurückführen.
Tägliche Aktualisierung pro Mieter
Jedes Modell wird jede Nacht anhand der eigenen Daten dieses Mieters aktualisiert – seinem eigenen Hauptbuch, seinen eigenen Sendungen, seinen eigenen Bestellungen. Kein mandantenübergreifendes Pooling.
Vertrauensbasierte Kontrolle
Unterhalb des für jedes Modell festgelegten Mindestwerts an realen Daten ist die Ausgabe NULL/nicht vorhanden – die Oberflächen liefern keine Daten, sondern nur eine Schätzung. Alle Gates sind auf dieser Seite aufgeführt.
Bewerten und vorschlagen, niemals ausführen
Vorhersagen werden bewertet und vorgeschlagen; die Ausführung erfolgt nach Genehmigungen, Obergrenzen und Zustimmungsprüfungen der Plattform. Kein Modell führt eigenständig Geldtransfers durch oder kontaktiert Mitglieder.
Die zwölf Modelle
- Abwanderungsrisiko & CLV nach 12 Monaten
- Voraussichtlicher nächster Kauftermin
- Klickwahrscheinlichkeit
- Bester Zeitpunkt zum Senden
- Automatische Optimierung des A/B-Verkehrs
- Wiedergewinn-Erhöhung
- Artikelähnlichkeit (Artikel-kNN)
- Vereinsregeln
- Ähnlichkeitsanalyse
- Betrugserkennung bei Verhaltensabweichungen
- Retentionsüberleben (KM + Cox)
- Umsatzausblick (Holt-Winters)
1. Abwanderungsrisiko & CLV nach 12 Monaten
Für jeden Käufer: die Wahrscheinlichkeit, dass der Kunde unbemerkt abgewandert ist (churn_risk, 0–100) und die erwarteten Ausgaben in den nächsten zwölf Monaten (predicted_clv_12m).
| Methode | BG/NBD – ein Pareto-Familien-Kaufmustermodell für Kaufhäufigkeit und -abbruch – kombiniert mit einem Gamma-Gamma-Ausgabenmodell. Beide werden pro Team und Nacht über deterministisches Nelder-Mead angepasst. |
| Eingaben | Das Einkaufsbuch – die eigenen Punktesammeltransaktionen des Teams – dient als einzige Quelle für die Kaufhistorie jedes Mitglieds. Es werden keine Daten außerhalb des Kassenbuchs des Mieters erfasst. |
| Ergebnisse & deren Anwendung | member_behavior_rollup Spalten: churn_risk (0–100, berechnet als 100 × (1 − P(alive))), predicted_clv_12m (E[Wiederholungstransaktionen in 365 Tagen] × E[Ausgaben pro Transaktion]) und predictive_confidence. |
| Vertrauensprinzip | Team-Fit-Kriterien: ≥200 Käufer, ≥50 Stammkunden; beide Fits müssen übereinstimmen. Gamma-Gamma erfordert zusätzlich einen endlichen Populationsmittelwert – andernfalls wird der CLV auf den durchschnittlichen Ausgabenwert des Mitglieds zurückgeführt, der als schwächere Basis dient. Mitgliedskriterien: Nicht-Käufer werden nicht bewertet; weniger als 3 Käufe oder weniger als 2 Monate Historie → NULL. |
| Konsumverhalten | Die prädiktive Prognose des Profils churn_risk und predicted_clv_12m Segmentbedingungen, Rückgewinnungs-Ranking und Aktionsempfehlungskarten. |
2. Voraussichtlicher nächster Kauftermin
Wann der nächste Kauf jedes Mitglieds voraussichtlich erfolgt und wie groß der Zeitraum um dieses Datum herum ist. Das voraussichtliche Datum kann in der Vergangenheit liegen – dies ist ein bewusstes, ehrliches Signal für eine überfällige Zahlung und kein Fehler.
| Methode | Eine Momentenmethode-Gamma-Sicht auf die eigenen Zwischenkauflücken des Mitglieds. |
| Eingaben | Dieselbe Kennzahl für gesammelte Transaktionen wie Kundenabwanderung/CLV – die vom Mitglied wahrgenommenen Lücken zwischen seinen eigenen Käufen. |
| Ergebnisse & deren Anwendung | next_order_expected_at (Kann in der Vergangenheit liegen = überfällig) und next_order_window_days (± Standardabweichung der Stichprobe, mindestens 1 Tag). |
| Vertrauensprinzip | ≥3 beobachtete Lücken, Variationskoeffizient ≤1,5 (ein unregelmäßiger Rhythmus wird abgelehnt, niemals vermutet) und eine mittlere Lücke ≥0,25 Tage — ansonsten NULL. |
| Konsumverhalten | Die Profilkachel und die days_until_expected_order Segmentbedingung (negativ = überfällig; die Nachschubzielgruppe liegt zwischen -14 und 3). |
3. Klickwahrscheinlichkeit
P(Klick | Senden) für jedes Mitglied, ausgedrückt als click_propensity auf einer Skala von 0–100.
| Methode | L2-regulierte logistische Regression pro Team über die letzten 90 Sendetage, trainiert durch deterministischen Full-Batch-Gradientenabstieg nach einem festen Zeitplan. Die Bezeichnung lautet NUR Klicks – Öffnungen sind ausgeschlossen, da sie durch Apple MPP-Prefetch aufgeblasen werden. Ein Leckschutz stellt sicher, dass die Funktion zur vorherigen Klickrate jedes Trainingsversands das eigene Ergebnis dieses Versands ausschließt, und ein gemeinsamer Feature-Builder dient sowohl dem Training als auch der Bewertung, sodass Trainings- und Bewertungszeilen nicht auseinanderdriften können. |
| Eingaben | Die Versandergebnisse des Teams der letzten 90 Tage. |
| Ergebnisse & deren Anwendung | click_propensity (0–100) plus propensity_computed_at. |
| Vertrauensprinzip | Team-Fit-Kriterien: ≥500 Sendungen, ≥30 Klicks, ≥50 verschiedene Mitglieder. Mitglieder-Kriterium: ≥3 kürzliche Sendungen – ansonsten NULL. |
| Konsumverhalten | Die Profilkachel und die click_propensity Segmentbedingung. |
4. Bester Zeitpunkt zum Senden
Die bevorzugte Einsatzzeit jedes Mitglieds in seiner jeweiligen lokalen Zeitzone sowie eine auf die Zielgruppe abgestimmte Empfehlung für die gesamte Sendung.
| Methode | Ein Engagement-Stunden-Histogramm pro Mitglied über 90 Tage in der lokalen Zeitzone des Mitglieds: Klicks gewichtet mit 3× Nicht-Proxy-Öffnungen, Bots ausgeschlossen, Apple MPP-Proxy-Öffnungen entfernt. Die bevorzugte Stunde ist der kreisförmig geglättete Modus (Stunde 23 und Stunde 0 liegen nebeneinander). |
| Eingaben | 90 Tage der eigenen Engagement-Events des Mitglieds, zugeordnet zur lokalen Zeitzone des Mitglieds. |
| Ergebnisse & deren Anwendung | preferred_send_hour (0–23, lokal) plus send_timing_sampleDie Zielgruppenempfehlung basiert auf den bevorzugten Zeiten der Zielgruppe und wird zusammen mit den Reichweitenzahlen angezeigt. |
| Vertrauensprinzip | Ein Mitglied ohne qualifizierende Interaktionshistorie hat keine bevorzugte Uhrzeit. Wenn die automatische Anwendung kein Signal findet, wird die konfigurierte Zeit des Aufrufers beibehalten – der Versand wird niemals stillschweigend verzögert. |
| Konsumverhalten | Die Terminplan-Schrittkarte, die preferred_send_hour Segmentbedingung und automatische Anwendung über den Sendevorgang API (optimizeSendTime), wodurch der nächste Termin zur empfohlenen Stunde geplant wird. |
5. Automatische Optimierung des A/B-Verkehrs
Stündliche Zuweisung der Auslieferungsgewichtung für die Experimentvarianten einer wiederkehrenden Kampagne basierend auf der Live-Klickleistung.
| Methode | Ein deterministischer Allokator für Live-Klicks pro Variante: Der Laplace-geglättete mittlere CTR-Wert wird auf einen bestimmten Wert erhöht und anschließend über eine Explorationsuntergrenze von 10 % pro Arm normalisiert. Es wird kein statistischer Gewinner ermittelt – dies bleibt dem separaten formalen A/B-Test vorbehalten. |
| Eingaben | Live-Auslieferungs- und Klickzahlen pro Variante für die Kampagne. |
| Ergebnisse & deren Anwendung | Die aktuelle Zuteilung wird beim Versand überschrieben – die konfigurierte Aufteilung bleibt unverändert. Jede stündliche Neuberechnung fügt eine Zeile hinzu. bandit_allocations Entscheidungsprotokoll mit den angewendeten Gewichtungen und einer für Menschen verständlichen Begründung. |
| Vertrauensprinzip | Nur wiederkehrende Kampagnen (Automatisierung/Journey), Opt-in pro Kampagne. Der Traffic bleibt gleichmäßig aufgeteilt, bis jeder Zweig ≥100 Auslieferungen erreicht hat – keine Neuverteilung bei geringen Datenmengen. |
| Konsumverhalten | Die Gewichtung der Sendezeit bei Opt-in-Kampagnen mit wiederkehrenden Ereignissen; die Nur-Anhängen-Funktion bandit_allocations Das Protokoll dient als Prüfoberfläche. |
6. Wiedergewinn-Erhöhung
Welche gefährdeten Mitglieder der Rückgewinnungsagent zuerst ansprechen sollte – eine Rangfolge, die die Überzeugungskraft berücksichtigt, nicht nur den Wert des Risikos.
| Methode | Logistischer Uplift mit zwei Modellen im Rahmen des eigenen randomisierten Holdout-Experiments des Programms: Uplift(x) = P(Konvertierung | behandelt, x) − P(Konvertierung | Holdout, x). Die Gruppen pro Mitglied sind unveränderlich; Konvertierung = mindestens 1 Ordnung im Attributionsfenster. |
| Eingaben | Gereift winback_attribution Zeilen Die Merkmale stammen, sofern vorhanden, aus dem Moment der Aufgabenwarteschlange, andernfalls aus dem aktuellen Rollup (als Näherungswert angegeben). |
| Ergebnisse & deren Anwendung | Der Rangschlüssel der Arbeitsliste = Risikowert × Uplift Negative Aufmerksamkeit (Bitte nicht stören) wird auf die unterste Prioritätsstufe 0 gesetzt. task.reason führt die volle Arithmetik durch. |
| Vertrauensprinzip | ≥200 ausgereifte behandelte Zeilen, ≥50 ausgereifte Holdout-Zeilen, ≥20 Konversionen, und beide Anpassungen müssen konvergieren – andernfalls bleibt das Ranking reiner Value-at-Risk. |
| Konsumverhalten | SoClaw Reihenfolge der Aufgabenliste für die Kundenrückgewinnung – die Rangfolge der Warteschlange, aus der der Agent Aufgaben annimmt. |
Die Arbeitsliste selbst – mit Angaben zu Aufgaben, Hebeln und Abschluss – ist im SoClaw Win-Back Integration guide dokumentiert.
7. Artikelähnlichkeit (Artikel-kNN)
„Auch gekaufte“ Produkt-zu-Produkt-Ähnlichkeit.
| Methode | Eine nächtliche Auswertung von Co-Käufen, bewertet anhand der kosinusnormalisierten Kookkurrenz: co_count / sqrt(buyers(A) × buyers(B)) — Die Normalisierung korrigiert die Verzerrung durch Popularität. Die Rohdaten co_count wird als Spalte gespeichert, um einen überprüfbaren Nachweis zu erbringen. |
| Eingaben | Die eigene Mitkaufhistorie des Mieters – wer hat was zusammen gekauft? |
| Ergebnisse & deren Anwendung | Materialisierte Ähnlichkeitswerte für Artikelpaare, wobei die Rohdaten zur gemeinsamen Häufigkeit neben jedem Wert gespeichert werden. |
| Vertrauensprinzip | Paare benötigen ≥2 gemeinsame Käufer, um zustande zu kommen. Dünne oder kalte Hüllen fallen auf die Kategorie-Topseller zurück, dann auf die weltweiten Top-Seller; Kalte Mitglieder bekommen nichts als zufällige Produkte. |
| Konsumverhalten | Der E-Mail-Empfehlungsblock, das Mitgliederportal und die öffentlichen + v2 Empfehlungs-APIs. |
8. Vereinsregeln
Cross-Selling-Regeln der Form „Käufer von A kaufen auch B“ mit Unterstützung, Vertrauen und Auftrieb.
| Methode | Produktpaare auf Bestellebene werden täglich analysiert. Schwellenwerte: ≥3 Paarbestellungen und ≥5 % Konfidenz; die 25 wichtigsten Regeln pro Vorbedingung werden gespeichert und nach ihrer Relevanz geordnet. |
| Eingaben | Die eigenen Bestellpositionen des Händlers. |
| Ergebnisse & deren Anwendung | catalog_association_rules Zeilen mit Support-/Konfidenz-/Lift-Werten sowie den zugehörigen Rohdaten (Bestellpaare, vorhergehende und nachfolgende Bestellungen) – jede Kennzahl lässt sich also manuell neu berechnen. |
| Vertrauensprinzip | ≥3 Paarbestellungen und ≥5 % Konfidenz – darunter gibt es keine Regel. |
| Konsumverhalten | Die Profil-Cross-Selling-Aktionskarte – nur für aktive Käufer, ausgenommen bereits gekaufte Produkte. |
9. Ähnlichkeitsanalyse
Wie ähnlich jedes Mitglied der Basis einer ursprünglichen Zielgruppe ist, mit einer detaillierten Aufschlüsselung der Gründe pro Mitglied.
| Methode | Seed → Rocchio-Zentroid: IDF-gewichtete Tag-Kosinusähnlichkeit + Gower-normalisierte numerische Distanz (RFM, Kaufanzahl, Aktualität) plus Profilfusion, falls der Seed die Daten enthält – Übereinstimmung der Wertstufe, Übereinstimmung der Hauptkategorie, Nähe zwischen Abwanderungsprognose und Kundenaussichten – mit Gewichtungen, die über die tatsächlich VORHANDENEN Dimensionen neu normalisiert werden. Ein Seed ohne Profildaten reduziert sich daher exakt auf Tag + numerische Stufe. |
| Eingaben | Die Tags der Seed-Mitglieder, ihr numerisches Verhalten (RFM, Anzahl der Käufe, Aktualität) und ihre Profilfelder wurden mit der Mitgliederbasis des Mandanten abgeglichen. |
| Ergebnisse & deren Anwendung | Ähnlichkeitswerte pro Mitglied mit Aufschlüsselungen nach Dimensionen, die die Zusammenfassung „Warum sie ähnlich sind“ bilden. |
| Vertrauensprinzip | Kleinere Nutzer erhalten eine Reduzierung ihrer Reichweite und eine explizite Warnung anstelle von verlässlichen Bewertungen. |
| Konsumverhalten | Der Workflow zur Suche nach ähnlichen Zielgruppen. Nur in der Datenbank – ähnliche Zielgruppen werden niemals auf Werbeplattformen hochgeladen. |
10. Betrugserkennung bei Verhaltensabweichungen
Ob die Punkteaktivität eines Mitglieds in den letzten 30 Tagen einen extremen statistischen Ausreißer im Vergleich zur übrigen Mitgliederverteilung des Teams darstellt.
| Methode | Robuste Statistiken pro Team über 30 Tage Punkteaktivität – Anzahl der gesammelten Transaktionen, gesammelte Punkte, Einlösungen im Kundenkonto – Median + MAD pro Funktion, robuster z-Wert = 0,6745 × (x − Median) / MAD, Kennzeichnung bei z ≥ 6 UND ≥ 10 gesammelten Transaktionen. |
| Eingaben | 30 Tage Punkteaktivität des Teams pro Mitglied. |
| Ergebnisse & deren Anwendung | Einfrieren der noch vorhandenen Punkte des Mitglieds plus fraud_points_hold Überprüfungsaufgabe. Eine Markierung friert Punkte nur für die Überprüfung ein – sie wird niemals automatisch ungültig. Der Grund dafür ist, dass die Nutzdaten pro Merkmal Wert/Median/Robust-Z enthalten. |
| Vertrauensprinzip | Teams mit weniger als 50 aktiven Mitgliedern werden übersprungen (keine aussagekräftige Basislinie); Funktionen mit MAD = 0 werden übersprungen; bereits eingefrorene Mitglieder werden nicht hinzugefügt; Deduplizierung erfolgt monatsweise. |
| Konsumverhalten | Die Checkliste zur Überprüfung von Punktebetrug. |
Die vom Detektor gespeiste Pipeline aus Einfrieren und Urteilsfindung – Haltevorgänge, Urteilssemantik, administrative Kontrollen – ist im Leitfaden zum Schutz vor Punktebetrug dokumentiert.
11. Retentionsüberleben (KM + Cox)
Kundenbindungskurven pro monatlicher Anmeldekohorte und welche Mitgliederattribute mit der Kundenbindung korrelieren.
| Methode | Kaplan-Meier-Produktgrenzkurven pro monatlicher Anmeldekohorte; das Abwanderungsereignis tritt nach 90 Tagen ohne Kauf ein (Abwanderungszeit = letzter Kauf + 90 Tage), kürzliche Käufer werden rechtszensiert, Nichtkäufer werden ausgeschlossen. Cox-Proportional-Hazards-Modell mit Breslow-Partial-Likelihood, maximiert mit demselben deterministischen Nelder-Mead-Algorithmus. |
| Eingaben | Die Anmelde- und Kaufhistorie des Mieters. |
| Ergebnisse & deren Anwendung | Kohorten-Überlebenskurven und Cox-Hazard-Ratios werden als einfache Sätze dargestellt – wobei Verhältnisse zwischen 0,95 und 1,05 als „kein bedeutsamer Unterschied“ gemeldet werden und alles als Korrelation und nicht als Kausalität gekennzeichnet ist. |
| Vertrauensprinzip | Kohorten benötigen mindestens 30 Mitglieder; Kurven werden nie über den Beobachtungszeitraum einer Kohorte hinaus extrapoliert. Die Cox-Anpassung ist auf 3 Kovariaten begrenzt, benötigt mindestens 30 Ereignisse und gibt bei Nichtkonvergenz null zurück. |
| Konsumverhalten | Die Retention-Kohortenansicht und das entsprechende Bedienfeld. |
12. Umsatzausblick (Holt-Winters)
Eine 14-tägige Umsatzprognose mit einer realistischen Fehlertoleranz.
| Methode | Additive dreifache exponentielle Glättung mit wöchentlicher Saisonalität m = 7 und festen Konstanten α = 0,3, β = 0,05, γ = 0,3 – Selbstoptimierung ist ein bewusstes Nicht-Ziel – deterministisch initialisiert aus den ersten beiden Saisons. |
| Eingaben | Tägliches GMV-Lesen über die zertifizierte Metrik-Semantikschicht (keine zweite Aggregation); fehlende Tage auf 0 € aufgefüllt; Nullen vor dem ersten Verkauf entfernt. |
| Ergebnisse & deren Anwendung | Eine 14-Tage-Vorhersage, begrenzt auf ≥0, mit einem Band = mittlerer absoluter Ein-Schritt-Fehler innerhalb der Stichprobe × 1,5 (eine angegebene Grundlage, kein Verteilungs-Konfidenzintervall). |
| Vertrauensprinzip | ≥28 Tage Verlauf ungleich Null – andernfalls null und nichts gerendert. |
| Konsumverhalten | Umsatzprognose im Dashboard. |
Ergebnisse auswerten
Die Punktzahlen auf Mitgliederebene werden als aufgerollte Spalten dargestellt und fließen in der Reihenfolge zunehmender Reichweite über vier Flächen nach außen:
- Rollup-Spalten. Nächtliche Umrüstungen schreiben die Bewertungen pro Mitglied (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) in den Rollup des Mitgliedsverhaltens – NULL, wenn ein Gate nicht erreicht wurde. - Segmentbedingungen. Sechs prädiktive Bedingungen zielen auf die Scores ab:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order, plus Tags. Ein Mitglied mit einem Score von NULL wird nie zugeordnet – Segmente übernehmen die Vertrauenskriterien. - Mitgliederprofil API / Insights-Payload. Die gleichen Werte werden in der Leseoberfläche des Mitgliederprofils übertragen, sodass ein Integrator genau das liest, was auf der Profilseite angezeigt wird.
- MCP für Agenten. KI-Agenten lesen die Ergebnisse über
get_member_profileauf dem verwalteten MCP Server – dieselben Daten, hinter denselben Grenzen und derselben Verwaltung.
Die geschäftliche Geschichte dieser Funktionen finden Sie unter Predictive Intelligence; Informationen zu den Genehmigungsmechanismen, Entscheidungsprotokollen und PII-Maskierungen, hinter denen jedes Modell arbeitet, finden Sie unter AI Governance: Introspection & Approvals.