Referencia de modelos predictivos
Flash La capa predictiva es una caja de cristal: doce modelos clásicos y deterministas, sin puntuación de caja negra. Cada modelo es TypeScript puro, determinista por construcción (optimizadores y programaciones fijos, sin inicialización aleatoria, sin muestreo: los mismos datos siempre producen el mismo modelo, por lo que un cambio en la puntuación siempre se debe a un cambio en los datos), se reajusta diariamente por inquilino a partir de sus propios datos y está sujeto a verificación de honestidad: por debajo del mínimo de historial real establecido para cada modelo, la salida es NULA/ausente; las superficies no muestran nada más que una suposición. Las predicciones clasifican y sugieren; La ejecución se mantiene sujeta a las aprobaciones, límites y verificaciones de consentimiento de la plataforma.
Esta página es la referencia de ingeniería por modelo: qué calcula cada modelo, su método, entradas, salidas y dónde se almacenan, sus criterios de integridad y las plataformas que lo utilizan. Para la historia orientada al negocio, consulte la página del producto Inteligencia Predictiva; para conocer los principios de gobernanza que rigen cada modelo, consulte la guía Gobernanza de IA.
Cuatro garantías, compartidas por todos los modelos
Determinista por diseño
Cada modelo es TypeScript puro con optimizadores y programas fijos, sin inicialización aleatoria ni muestreo. Los mismos datos siempre producen el mismo modelo, por lo que un cambio de puntuación siempre se remonta a un cambio de datos.
Actualización diaria, por inquilino
Cada modelo se reacondiciona cada noche a partir de los propios datos de ese inquilino: su propio libro de contabilidad, sus propios envíos, sus propios pedidos. Sin agrupación entre inquilinos.
Control de honestidad
Por debajo del mínimo de historial real establecido para cada modelo, el resultado es NULO/ausente; las interfaces no muestran nada, solo una estimación. Cada puerta de control se enumera en esta página.
Clasifica y sugiere, nunca ejecutes
Las predicciones clasifican y sugieren; la ejecución permanece detrás de las aprobaciones, límites y verificaciones de consentimiento de la plataforma. Ningún modelo mueve dinero ni contacta a un miembro por sí solo.
Los doce modelos
- Riesgo de abandono y valor de vida del cliente a 12 meses
- Fecha prevista de la próxima compra
- Propensión al clic
- Mejor momento para enviar
- Optimización automática del tráfico A/B
- Mejora de la recuperación
- Similitud de artículos (item-kNN)
- Reglas de asociación
- Similitud de apariencia
- Detector de fraude por comportamiento atípico
- Supervivencia de retención (KM + Cox)
- Perspectivas de ingresos (Holt-Winters)
1. Riesgo de abandono y valor de vida del cliente a 12 meses
Para cada comprador: la probabilidad de que el cliente haya dejado de usar sus servicios silenciosamente (churn_risk, 0–100) y el gasto previsto durante los próximos doce meses (predicted_clv_12m).
| Método | BG/NBD: un modelo de patrón de compra de la familia Pareto de frecuencia de compra y abandono, combinado con un modelo de gasto Gamma-Gamma. Ambos se ajustan por equipo, por noche, mediante el método determinista Nelder-Mead. |
| Ingresos | El libro de compras —las transacciones de acumulación de puntos del propio equipo— es la única fuente del historial de compras de cada miembro. No hay nada fuera del libro de compras del inquilino. |
| Resultados y su destino | member_behavior_rollup Columnas: churn_risk (0–100, calculado como 100 × (1 − P(vivo))), predicted_clv_12m (E[transacciones repetidas en 365 días] × E[gasto por transacción]) y predictive_confidence. |
| Controles de confianza | Requisitos de compatibilidad del equipo: ≥200 compradores, ≥50 compradores recurrentes, y ambas compatibilidades deben converger. El modelo Gamma-Gamma requiere además una media poblacional finita; de lo contrario, el CLV se reduce al gasto medio del miembro, considerado como la base más débil. Requisitos de los miembros: los no compradores nunca se puntúan; menos de 3 compras o menos de 2 meses de historial → NULO. |
| Superficies de consumo | Perspectiva predictiva del perfil churn_risk y predicted_clv_12m Condiciones de segmento, clasificación de recuperación y tarjetas de acciones recomendadas. |
2. Fecha prevista de la próxima compra
Cuándo se espera la próxima compra de cada miembro y cuánto margen hay alrededor de esa fecha. La fecha prevista puede ser anterior a la fecha real; esto indica un retraso intencional y honesto, no un error.
| Método | Un análisis Gamma del método de los momentos de las brechas entre compras del propio miembro. |
| Ingresos | El mismo SSOT de transacciones de ganancia que la tasa de abandono/CLV: las brechas observadas entre las compras del miembro. |
| Resultados y su destino | next_order_expected_at (puede estar en el pasado = vencido) y next_order_window_days (± la desviación estándar de la muestra, mínimo 1 día). |
| Controles de confianza | ≥3 intervalos observados, coeficiente de variación ≤1,5 (un ritmo irregular se rechaza, nunca se adivina) y un intervalo medio ≥0,25 días; de lo contrario, es NULO. |
| Superficies de consumo | El perfil y la days_until_expected_order Condición del segmento (negativo = vencido; la audiencia de reposición está entre -14 y 3). |
3. Propensión al clic
P(clic | envío) para cada miembro, expresado como click_propensity en una escala de 0 a 100.
| Método | Regresión logística regularizada L2 por equipo durante los últimos 90 días de envíos, entrenada mediante un descenso de gradiente determinista de lote completo en un cronograma fijo. La etiqueta es SOLO clics: las aperturas se excluyen porque Apple la captación previa de MPP las infla. Una protección contra fugas garantiza que la función de tasa de clics anterior de cada envío de capacitación excluya el resultado de ese envío, y un creador de funciones compartido sirve tanto para capacitación como para puntuación, por lo que las filas de capacitación y puntuación no pueden separarse. |
| Ingresos | Resultados de envío de los últimos 90 días, según el propio equipo. |
| Resultados y su destino | click_propensity (0–100) más propensity_computed_at. |
| Controles de confianza | Puertas de ajuste del equipo: ≥500 envíos, ≥30 clics, ≥50 miembros distintos. Puerta de miembro: ≥3 envíos recientes; de lo contrario, NULL. |
| Superficies de consumo | El perfil y la click_propensity Condición del segmento. |
4. Mejor momento para enviar
Hora de interacción preferida de cada miembro en su zona horaria local y recomendación de hora a nivel de audiencia para un envío completo.
| Método | Histograma de interacción por hora por miembro durante 90 días, en la zona horaria local del miembro: clics ponderados 3× aperturas sin proxy, bots excluidos, aperturas con proxy MPP Apple descartadas. La hora preferida es el modo de suavizado circular (la hora 23 y la hora 0 son adyacentes). |
| Ingresos | 90 días de los eventos de participación del miembro, asignados a la zona horaria local del miembro. |
| Resultados y su destino | preferred_send_hour (0–23, local) más send_timing_sampleLa recomendación de la audiencia se basa en el modo de visualización durante las horas preferidas de la audiencia, con informes que incluyen el número de visualizaciones. |
| Controles de confianza | Un miembro sin historial de interacción que cumpla los requisitos no tiene una hora preferida. Si la aplicación automática no detecta señal, mantiene la hora configurada por el usuario; nunca retrasa el envío sin previo aviso. |
| Superficies de consumo | La tarjeta de pasos del cronograma, preferred_send_hour Condición de segmento y aplicación automática mediante el envío API (optimizeSendTime), que programa la siguiente aparición de la hora recomendada. |
5. Optimización automática del tráfico A/B
Asignación horaria de ponderación de entregas en las variantes experimentales de una campaña recurrente, a partir del rendimiento de clics en tiempo real.
| Método | Un asignador determinista sobre clics por variante en tiempo real: el CTR medio posterior suavizado por Laplace se eleva a una temperatura y luego se normaliza por encima de un nivel mínimo de exploración del 10 % por brazo. Nunca se declara un ganador estadístico; ese sigue siendo el veredicto formal A/B independiente. |
| Ingresos | Entrega en tiempo real por variante y recuento de clics para la campaña. |
| Resultados y su destino | La última asignación se superpone al momento del envío; la división configurada nunca se modifica. Cada recálculo horario agrega una fila a la bandit_allocations Registro de decisiones con las ponderaciones aplicadas y una justificación legible para humanos. |
| Controles de confianza | Solo campañas recurrentes (automatización/recorrido), suscripción por campaña. El tráfico se mantiene dividido equitativamente hasta que cada brazo tenga ≥100 entregas, sin reasignación de datos finos. |
| Superficies de consumo | La ponderación del tiempo de envío en campañas recurrentes con suscripción; la opción de solo añadir bandit_allocations El registro es la superficie de auditoría. |
6. Mejora de la recuperación
¿Con qué miembros en riesgo debería trabajar primero el agente de recuperación? — una clasificación que tenga en cuenta la capacidad de persuasión, no solo el valor en riesgo.
| Método | Mejora logística de dos modelos en el experimento de validación aleatoria del propio programa: mejora(x) = P(conversión | tratado, x) − P(conversión | validación, x). Los brazos por miembro son inmutables; conversión = ≥1 orden en la ventana de atribución. |
| Ingresos | Madurado winback_attribution filas. Las características provienen de la instantánea de la tarea en el momento de la puesta en cola, si está disponible; de lo contrario, se utiliza el resumen actual (indicado como una aproximación). |
| Resultados y su destino | La clave de clasificación de la lista de trabajo es: valor en riesgo × incremento. La opción de no molestar (no molestar) se hunde al fondo, con prioridad 0. task.reason incluye todos los cálculos. |
| Controles de confianza | ≥200 filas maduras tratadas, ≥50 filas maduras de prueba, ≥20 conversiones, y ambos ajustes deben converger; de lo contrario, la clasificación se mantiene como valor en riesgo puro. |
| Superficies de consumo | SoClaw Ordenación de la lista de tareas de recuperación: la cola priorizada de la que el agente obtiene las tareas. |
La lista de trabajo en sí —asignación de tareas, palancas, finalización— está documentada en la guía de integración de recuperación de clientes SoClaw.
7. Similitud de artículos (item-kNN)
Similitud de producto a producto “también comprado”.
| Método | Materialización diaria de compras conjuntas, evaluada mediante la coocurrencia normalizada por coseno: co_count / sqrt(buyers(A) × buyers(B)) — La normalización corrige el sesgo de popularidad. co_count Se mantiene como una columna, a modo de evidencia verificable. |
| Ingresos | El historial de cocompra del propio inquilino: quién compró qué en conjunto. |
| Resultados y su destino | Puntuaciones de similitud entre pares de elementos, con el recuento de coocurrencia almacenado junto a cada puntuación. |
| Controles de confianza | Las parejas necesitan ≥2 compradores compartidos para materializarse. Los casos finos o sin resolver vuelven a ser los más vendidos de la categoría y luego los más vendidos a nivel mundial; Los miembros fríos no obtienen nada más que productos aleatorios. |
| Superficies de consumo | El bloque de recomendaciones por correo electrónico, el portal de miembros y las API de recomendaciones públicas + v2. |
8. Reglas de asociación
Reglas de venta cruzada de la forma “los compradores de A también compran B”, con apoyo, confianza y elevación.
| Método | Pares de productos a nivel de pedido extraídos diariamente. Umbrales: ≥3 pares de pedidos y ≥5 % de confianza; se conservan las 25 reglas principales por antecedente, ordenadas por elevación. |
| Ingresos | Las líneas de pedido del comerciante. |
| Resultados y su destino | catalog_association_rules Filas que incluyen soporte, confianza y elevación, además de los recuentos brutos de los que se derivan (recuentos de pares, antecedentes y consecuentes de pedidos), por lo que cada métrica se puede recalcular manualmente. |
| Controles de confianza | ≥3 pares de órdenes y ≥5 % de confianza; por debajo de eso, no existe ninguna regla. |
| Superficies de consumo | La tarjeta de acción de venta cruzada de perfil: solo compradores activos, excluyendo los productos que ya poseen. |
9. Similitud de apariencia
Qué tan similar es cada miembro de la base a una audiencia semilla, con un desglose por miembro de las razones.
| Método | Semilla → Centroide de Rocchio: similitud de coseno de etiquetas ponderada por IDF + distancia numérica normalizada por Gower (RFM, recuento de compras, antigüedad), más fusión de perfiles cuando la semilla contiene los datos (coincidencia de nivel de valor, coincidencia de categoría principal, proximidad de perspectiva de abandono), con ponderaciones renormalizadas sobre las dimensiones REALMENTE PRESENTES. De esta forma, una semilla sin datos de perfil se reduce exactamente al nivel de etiquetas + datos numéricos. |
| Ingresos | Las etiquetas, el comportamiento numérico (RFM, recuento de compras, antigüedad) y los campos de perfil de los miembros iniciales se comparan con la base de miembros del inquilino. |
| Resultados y su destino | Puntuaciones de similitud por miembro con desgloses por dimensión que alimentan el resumen «Por qué son similares». |
| Controles de confianza | Las semillas pequeñas sufren una reducción de su visibilidad y reciben una advertencia explícita en lugar de puntuaciones positivas. |
| Superficies de consumo | Flujo de búsqueda de audiencias similares. Solo en la base de datos: las audiencias similares nunca se suben a las plataformas publicitarias. |
10. Detector de fraude por comportamiento atípico
Si la actividad de puntos de un miembro en los últimos 30 días representa un valor estadístico atípico extremo en comparación con la distribución de miembros del equipo.
| Método | Estadísticas robustas por equipo sobre la actividad de puntos de los últimos 30 días: recuento de transacciones de ganancia, puntos ganados, canjes en el libro mayor: mediana + MAD por función, z robusta = 0,6745 × (x − mediana) / MAD, indicador para z ≥ 6 Y ≥ 10 transacciones de ganancia. |
| Ingresos | 30 días de actividad de puntos propios del equipo, por miembro. |
| Resultados y su destino | Congelación de los puntos aún presentes del miembro más fraud_points_hold Tarea de revisión. Una bandera solo congela los puntos para su revisión; nunca se anula por sí sola. La razón por la que la carga útil incluye el valor por característica / mediana / robust-z. |
| Controles de confianza | Los equipos con menos de 50 miembros activos se omiten por completo (sin una base de referencia significativa); las funciones MAD = 0 se omiten; los miembros ya bloqueados nunca se agregan; la deduplicación se realiza por meses. |
| Superficies de consumo | Lista de trabajo para la revisión del fraude de puntos. |
El proceso de bloqueo y posterior veredicto que alimenta este detector (retenciones, semántica del veredicto, controles de administración) está documentado en la guía de Protección contra el fraude de Points.
11. Supervivencia de retención (KM + Cox)
Curvas de retención por cohorte de registro mensual y qué atributos de los miembros se correlacionan con la retención.
| Método | Curvas de Kaplan-Meier de límite de producto por cohorte de registro mensual; el evento de abandono se define como 90 días sin compra (tiempo de abandono = última compra + 90 días), los compradores recientes están censurados a la derecha y los que nunca han comprado están excluidos. Riesgos proporcionales de Cox mediante la verosimilitud parcial de Breslow, maximizada con el mismo modelo determinista de Nelder-Mead. |
| Ingresos | Historial de registro y compra del propio inquilino. |
| Resultados y su destino | Curvas de supervivencia de cohortes y índices de riesgo de Cox expresados como oraciones simples, con índices entre 0,95 y 1,05 informados como "sin diferencia significativa", y todo etiquetado como correlación, no causalidad. |
| Controles de confianza | Las cohortes requieren ≥30 miembros; las curvas nunca se extrapolan más allá del horizonte observado de una cohorte. El ajuste de Cox está limitado a 3 covariables, requiere ≥30 eventos y devuelve null en caso de no convergencia. |
| Superficies de consumo | La vista de cohorte de retención y su panel de correlatos. |
12. Perspectivas de ingresos (Holt-Winters)
Previsión diaria de ingresos a 14 días con un margen de error razonable.
| Método | Suavizado exponencial triple aditivo con estacionalidad semanal m = 7 y constantes FIJAS α = 0.3, β = 0.05, γ = 0.3 — el autoajuste es un objetivo no intencionado — se inicializa de forma determinista a partir de las dos primeras temporadas. |
| Ingresos | Lectura diaria del GMV a través de la capa semántica de métricas certificadas (sin agregación secundaria); los días faltantes se densifican a $0; se eliminan los ceros anteriores a la primera venta. |
| Resultados y su destino | Un pronóstico a 14 días, limitado a ≥0, con una banda = error absoluto medio de un paso en la muestra × 1,5 (una base declarada, no un intervalo de confianza de distribución). |
| Controles de confianza | ≥28 días de historial distinto de cero; de lo contrario, es nulo y no se muestra nada. |
| Superficies de consumo | Perspectivas de ingresos del panel de control. |
Consumo de las puntuaciones
Las puntuaciones de los miembros se muestran como columnas desplegables y se extienden hacia afuera a través de cuatro superficies, en orden de alcance creciente:
- Columnas acumuladas. Los reajustes nocturnos escriben las puntuaciones por miembro (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at...) en el resumen de comportamiento de los miembros: NULL siempre que no se haya alcanzado una puerta. - Condiciones de segmento. Seis condiciones predictivas se basan en las puntuaciones:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order, además de etiquetas. Un miembro con puntuación NULA simplemente no coincide; los segmentos heredan los criterios de integridad. - Perfil de miembro API / carga útil de información. Las mismas puntuaciones se envían en la superficie de lectura del perfil de miembro, por lo que lo que lee un integrador es exactamente lo que muestra la página de perfil.
- MCP para agentes. Los agentes de IA leen las puntuaciones a través de
get_member_profileen el servidor gobernado MCP: los mismos datos, detrás de los mismos ámbitos y gobernanza.
Para conocer la historia empresarial de estas capacidades, consulte Inteligencia predictiva; Para conocer los mecanismos de aprobación, los registros de decisiones y el enmascaramiento de PII con el que opera cada modelo, consulte Gobernanza de la IA: introspección y aprobaciones.