Referensi Model Prediktif
Lapisan prediktif Flash adalah kotak kaca: dua belas model deterministik klasik — tanpa penilaian kotak hitam. Setiap model murni TypeScript, deterministik berdasarkan konstruksi (pengoptimal dan jadwal tetap, tanpa inisialisasi acak, tanpa pengambilan sampel — data yang sama selalu menghasilkan model yang sama, sehingga perubahan skor selalu terkait dengan perubahan data), disesuaikan ulang setiap malam per penyewa dari data penyewa itu sendiri, dan diberi gerbang kejujuran: di bawah minimum riwayat nyata yang dinyatakan setiap model, outputnya adalah NULL/tidak ada — permukaan tidak menampilkan apa pun selain tebakan. Prediksi memberi peringkat dan saran; Eksekusi tetap berada di balik persetujuan, batasan, dan pemeriksaan persetujuan platform.
Halaman ini adalah referensi rekayasa per model: apa yang dihitung setiap model, metodenya, input, output dan ke mana mereka mendarat, gerbang kejujurannya, dan permukaan yang menggunakannya. Untuk cerita yang berorientasi bisnis, lihat halaman produk Kecerdasan Prediktif; untuk panduan tata kelola yang dijalankan setiap model, lihat panduan Tata Kelola AI.
Empat jaminan, yang dibagikan oleh setiap model
Deterministik berdasarkan konstruksi
Setiap model murni TypeScript dengan pengoptimal dan jadwal tetap — tidak ada inisialisasi acak, tidak ada pengambilan sampel. Data yang sama selalu menghasilkan model yang sama, sehingga perubahan skor selalu terkait dengan perubahan data.
Renovasi setiap malam, per penyewa
Setiap model diperbarui setiap malam dari data penyewa itu sendiri — buku besar mereka sendiri, pengiriman mereka sendiri, pesanan mereka sendiri. Tidak ada penggabungan lintas penyewa.
Dibatasi oleh kejujuran
Di bawah minimum riwayat nyata yang dinyatakan setiap model, outputnya adalah NULL/tidak ada — permukaan tidak menampilkan apa pun selain tebakan. Setiap gerbang tercantum di halaman ini.
Peringkat dan sarankan, jangan pernah eksekusi
Prediksi memberi peringkat dan saran; Eksekusi tetap berada di balik persetujuan, batasan, dan pemeriksaan persetujuan platform. Tidak ada model yang memindahkan uang atau menghubungi anggota secara mandiri.
Dua belas model
- Risiko Churn & CLV 12 Bulan
- Tanggal pembelian berikutnya yang diharapkan
- Kecenderungan klik
- Waktu terbaik untuk mengirim
- Optimasi otomatis lalu lintas A/B
- Peningkatan Revitalisasi Pelanggan
- Kesamaan item (item-kNN)
- Aturan asosiasi
- Kemiripan tampilan
- Detektor penipuan outlier perilaku
- Kelangsungan hidup retensi (KM + Cox)
- Prospek pendapatan (Holt-Winters)
1. Risiko Churn & CLV 12 Bulan
Untuk setiap pembeli: probabilitas pelanggan telah berhenti berlangganan secara diam-diam (churn_risk, 0–100) dan perkiraan pengeluaran selama dua belas bulan ke depan (predicted_clv_12m).
| Metode | BG/NBD — model pola pembelian keluarga Pareto tentang frekuensi pembelian dan penghentian — dikombinasikan dengan model pengeluaran Gamma-Gamma. Keduanya disesuaikan per tim, per malam, melalui Nelder-Mead deterministik. |
| Input | Buku besar pembelian — transaksi perolehan poin tim sendiri — sebagai satu-satunya sumber riwayat pembelian setiap anggota. Tidak ada yang di luar buku besar penyewa. |
| Hasil & ke mana hasilnya | member_behavior_rollup kolom: churn_risk (0–100, dihitung sebagai 100 × (1 − P(alive))), predicted_clv_12m (E[transaksi berulang dalam 365 hari] × E[pengeluaran per transaksi]) dan predictive_confidence. |
| Pintu kejujuran | Kriteria kecocokan tim: ≥200 pembeli, ≥50 pembeli berulang, dan kedua kecocokan harus konvergen. Gamma-Gamma juga membutuhkan rata-rata populasi yang terbatas — jika tidak, CLV akan kembali ke rata-rata pengeluaran anggota sendiri, yang dinyatakan sebagai basis yang lebih lemah. Kriteria anggota: non-pembeli tidak pernah diberi skor; kurang dari 3 pembelian atau kurang dari 2 bulan riwayat → NULL. |
| Permukaan konsumsi | Prospek Prediktif profil, churn_risk dan predicted_clv_12m kondisi segmen, peringkat pemulihan pelanggan, dan kartu tindakan yang direkomendasikan. |
2. Tanggal pembelian berikutnya yang diharapkan
Kapan pembelian berikutnya dari setiap anggota diharapkan, dan seberapa lebar rentang waktu di sekitar tanggal tersebut. Tanggal yang diharapkan mungkin sudah lewat — itu adalah sinyal keterlambatan yang disengaja dan jujur, bukan bug.
| Metode | Tampilan Gamma metode momen dari selisih antar pembelian anggota. |
| Input | SSOT transaksi perolehan poin yang sama dengan churn/CLV — kesenjangan yang diamati anggota antara pembelian mereka sendiri. |
| Hasil & ke mana hasilnya | next_order_expected_at (mungkin di masa lalu = terlambat) dan next_order_window_days (± deviasi standar sampel, minimal 1 hari). |
| Pintu kejujuran | ≥3 celah yang diamati, koefisien variasi ≤1,5 (ritme yang tidak teratur ditolak, tidak pernah ditebak), dan celah rata-rata ≥0,25 hari — jika tidak, NULL. |
| Permukaan konsumsi | Ubin profil dan days_until_expected_order kondisi segmen (negatif = terlambat; audiens pengisian ulang adalah “antara −14 dan 3”). |
3. Kecenderungan klik
P(klik | kirim) untuk setiap anggota, dinyatakan sebagai click_propensity pada skala 0–100.
| Metode | Regresi logistik L2-regularisasi per tim selama 90 hari terakhir pengiriman, dilatih dengan penurunan gradien batch penuh deterministik pada jadwal tetap. Labelnya HANYA klik — pembukaan dikecualikan karena prefetch MPP Apple memperbesarnya. Pelindung kebocoran memastikan fitur tingkat klik sebelumnya dari setiap pengiriman pelatihan mengecualikan hasil pengiriman itu sendiri, dan satu pembangun fitur bersama melayani pelatihan dan penilaian, sehingga baris pelatihan dan penilaian tidak dapat bergeser. |
| Input | Hasil pengiriman 90 hari terakhir tim sendiri. |
| Hasil & ke mana hasilnya | click_propensity (0–100) plus propensity_computed_at. |
| Pintu kejujuran | Persyaratan kecocokan tim: ≥500 pengiriman, ≥30 klik, ≥50 anggota berbeda. Persyaratan anggota: ≥3 pengiriman terbaru — jika tidak, NULL. |
| Permukaan konsumsi | Ubin profil dan click_propensity kondisi segmen. |
4. Waktu terbaik untuk mengirim
Jam keterlibatan pilihan setiap anggota di zona waktu lokal mereka sendiri, dan rekomendasi jam tingkat audiens untuk seluruh pengiriman.
| Metode | Histogram jam keterlibatan per anggota selama 90 hari, dalam zona waktu lokal anggota: klik diberi bobot 3× pembukaan non-proksi, bot dikecualikan, pembukaan proksi MPP Apple dihilangkan. Jam yang disukai adalah mode yang dihaluskan secara melingkar (jam 23 dan jam 0 berdekatan). |
| Input | 90 hari acara keterlibatan anggota sendiri, dipetakan ke zona waktu lokal anggota. |
| Hasil & ke mana hasilnya | preferred_send_hour (0–23, lokal) plus send_timing_sample. Rekomendasi audiens adalah modus selama jam-jam pilihan audiens, dilaporkan dengan jumlah cakupan. |
| Pintu kejujuran | Anggota tanpa riwayat keterlibatan yang memenuhi syarat tidak memiliki jam pilihan. Ketika penerapan otomatis tidak menemukan sinyal, aplikasi akan mempertahankan waktu yang dikonfigurasi oleh pemanggil — aplikasi tidak pernah menunda pengiriman secara diam-diam. |
| Permukaan konsumsi | Kartu langkah penjadwalan, preferred_send_hour kondisi segmen, dan terapkan otomatis melalui pengiriman API (optimizeSendTime), yang menjadwalkan kejadian berikutnya dari jam yang direkomendasikan. |
5. Optimasi otomatis lalu lintas A/B
Alokasi bobot pengiriman per jam di seluruh varian eksperimen kampanye berulang, dari kinerja klik langsung.
| Metode | Alokator deterministik atas klik per-varian langsung: CTR rata-rata posterior yang dihaluskan Laplace dinaikkan ke suhu tertentu, kemudian dinormalisasi di atas batas eksplorasi 10% per-lengan. Ini tidak pernah menyatakan pemenang statistik — itu tetap menjadi keputusan A/B formal yang terpisah. |
| Input | Jumlah pengiriman dan klik per varian secara langsung untuk kampanye. |
| Hasil & ke mana hasilnya | Alokasi terbaru ditambahkan pada saat pengiriman — pembagian yang dikonfigurasi tidak pernah diubah. Setiap penghitungan ulang per jam menambahkan satu baris ke bandit_allocations Log keputusan dengan bobot yang diterapkan dan penjelasan yang mudah dibaca manusia. |
| Pintu kejujuran | Hanya kampanye berulang (otomatisasi/perjalanan), persetujuan per kampanye. Lalu lintas tetap terbagi rata hingga setiap cabang memiliki ≥100 pengiriman — tidak ada alokasi ulang pada data yang tipis. |
| Permukaan konsumsi | Overlay bobot waktu pengiriman pada kampanye berulang yang telah dipilih; hanya penambahan bandit_allocations Log adalah permukaan audit. |
6. Peningkatan Revitalisasi Pelanggan
Anggota berisiko mana yang harus diprioritaskan oleh agen pemulihan — peringkat yang mempertimbangkan kemampuan untuk dibujuk, bukan hanya nilai risiko.
| Metode | Peningkatan logistik dua model pada eksperimen uji coba acak program itu sendiri: peningkatan(x) = P(konversi | perlakuan, x) − P(konversi | uji coba, x). Lengan per anggota tidak dapat diubah; konversi = ≥1 urutan dalam jendela atribusi. |
| Input | Matang winback_attribution baris. Fitur berasal dari snapshot waktu antrean tugas jika ada, jika tidak, dari rollup saat ini (dinyatakan sebagai perkiraan). |
| Hasil & ke mana hasilnya | Kunci peringkat daftar kerja = nilai-berisiko × peningkatan. Peningkatan negatif (jangan ganggu) tenggelam ke dasar, terbentur pada prioritas 0. task.reason mencakup aritmatika lengkap. |
| Pintu kejujuran | ≥200 baris data matang yang diproses, ≥50 baris data uji matang, ≥20 konversi, dan kedua kecocokan harus konvergen — jika tidak, peringkat tetap murni nilai-berisiko. |
| Permukaan konsumsi | SoClaw Pengurutan daftar tugas untuk mendapatkan kembali pelanggan — antrian berperingkat tempat agen mengklaim tugas. |
Daftar tugas itu sendiri — mengklaim tugas, tuas, penyelesaian — didokumentasikan dalam panduan Integrasi Win-Back SoClaw.
7. Kesamaan item (item-kNN)
Kesamaan produk-ke-produk "juga dibeli".
| Metode | Materialisasi pembelian bersama setiap malam yang diberi skor berdasarkan kemunculan bersama yang dinormalisasi kosinus: co_count / sqrt(buyers(A) × buyers(B)) — normalisasi mengoreksi bias popularitas. Data mentah co_count disimpan sebagai kolom, sebagai bukti yang dapat diperiksa. |
| Input | Riwayat pembelian bersama penyewa sendiri — siapa yang membeli apa bersama. |
| Hasil & ke mana hasilnya | Skor kesamaan pasangan item yang diwujudkan, dengan jumlah kemunculan bersama mentah yang disimpan bersama setiap skor. |
| Pintu kejujuran | Pasangan membutuhkan ≥2 pembeli bersama untuk terwujud. Kasus yang tipis atau dingin akan kembali ke penjual terlaris kategori, kemudian penjual terlaris global; anggota yang dingin tidak mendapatkan apa pun daripada produk acak. |
| Permukaan konsumsi | Blok Rekomendasi email, portal anggota, dan API rekomendasi publik + v2. |
8. Aturan asosiasi
Aturan penjualan silang dalam bentuk "pembeli A juga membeli B", dengan dukungan, kepercayaan, dan peningkatan.
| Metode | Pasangan produk tingkat pesanan ditambang setiap malam. Ambang batas: ≥3 pesanan pasangan dan ≥5% kepercayaan; 25 aturan teratas per anteseden disimpan, diurutkan berdasarkan lift. |
| Input | Baris pesanan pedagang sendiri. |
| Hasil & ke mana hasilnya | catalog_association_rules Baris yang memuat dukungan/kepercayaan/peningkatan ditambah jumlah mentah yang berasal darinya (jumlah pasangan, anteseden, dan konsekuen) — sehingga setiap metrik dapat dihitung ulang secara manual. |
| Pintu kejujuran | ≥3 pasangan pesanan dan ≥5% kepercayaan — di bawah itu, tidak ada aturan yang berlaku. |
| Permukaan konsumsi | Kartu aksi penjualan silang profil — hanya untuk pembeli aktif, dengan produk yang sudah dimiliki dikecualikan. |
9. Kemiripan tampilan
Seberapa mirip setiap anggota basis data dengan audiens awal, dengan rincian per anggota tentang alasannya.
| Metode | Seed → Centroid Rocchio: Kesamaan kosinus tag berbobot IDF + jarak numerik yang dinormalisasi Gower (RFM, jumlah pembelian, kekinian), ditambah fusi profil ketika seed memiliki data — kecocokan tingkat nilai, kecocokan kategori utama, kedekatan prospek churn — dengan bobot yang dinormalisasi ulang atas dimensi yang sebenarnya ADA, sehingga seed tanpa data profil akan terdegradasi tepat ke tag + tingkat numerik. |
| Input | Tag anggota awal, perilaku numerik (RFM, jumlah pembelian, kekinian) dan bidang profil, dicocokkan dengan basis anggota penyewa itu sendiri. |
| Hasil & ke mana hasilnya | Skor kesamaan per anggota dengan rincian per dimensi yang mendukung ringkasan “Mengapa mereka serupa”. |
| Pintu kejujuran | Bibit kecil mengalami penyusutan ditambah peringatan eksplisit daripada skor yang meyakinkan. |
| Permukaan konsumsi | Alur pencarian audiens serupa. Hanya di dalam basis data — audiens serupa tidak pernah diunggah ke platform iklan. |
10. Detektor penipuan outlier perilaku
Apakah aktivitas poin 30 hari anggota merupakan penyimpangan statistik ekstrem dibandingkan dengan distribusi anggota tim sendiri.
| Metode | Statistik tangguh per tim selama 30 hari aktivitas poin — jumlah transaksi perolehan, poin yang diperoleh, penukaran buku besar — median + MAD per fitur, z tangguh = 0,6745 × (x − median) / MAD, tandai pada z ≥ 6 DAN ≥10 transaksi perolehan. |
| Input | 30 hari aktivitas poin tim sendiri, per anggota. |
| Hasil & ke mana hasilnya | Pembekuan poin anggota yang masih ada ditambah fraud_points_hold tugas peninjauan. Sebuah bendera hanya membekukan poin untuk peninjauan — bendera tersebut tidak pernah batal dengan sendirinya. Alasan mengapa muatan membawa nilai per fitur / median / robust-z. |
| Pintu kejujuran | Tim dengan kurang dari 50 anggota aktif dilewati sepenuhnya (tidak ada dasar yang berarti); fitur MAD = 0 dilewati; anggota yang sudah dibekukan tidak pernah ditambahkan; deduplikasi dikelompokkan berdasarkan bulan. |
| Permukaan konsumsi | Daftar tugas peninjauan penipuan poin. |
Saluran pembekuan-kemudian-putusan yang digunakan detektor ini — penahanan, semantik putusan, kontrol admin — didokumentasikan dalam panduan Perlindungan Penipuan Points.
11. Kelangsungan hidup retensi (KM + Cox)
Kurva retensi per kohort pendaftaran bulanan, dan atribut anggota mana yang berkorelasi dengan retensi.
| Metode | Kurva batas produk Kaplan-Meier per kohort pendaftaran bulanan; peristiwa churn adalah 90 hari tanpa pembelian (waktu churn = pembelian terakhir + 90 hari), pembeli baru-baru ini disensor kanan, pelanggan yang tidak pernah membeli dikecualikan. Model bahaya proporsional Cox melalui kemungkinan parsial Breslow, dimaksimalkan dengan Nelder-Mead deterministik yang sama. |
| Input | Riwayat pendaftaran dan pembelian penyewa sendiri. |
| Hasil & ke mana hasilnya | Kurva kelangsungan hidup kohort, dan rasio bahaya Cox yang ditampilkan sebagai kalimat biasa — dengan rasio antara 0,95 dan 1,05 dilaporkan sebagai "tidak ada perbedaan yang berarti", dan semuanya diberi label korelasi, bukan sebab akibat. |
| Pintu kejujuran | Kohort membutuhkan ≥30 anggota; kurva tidak pernah diekstrapolasi melampaui cakrawala pengamatan kohort. Kecocokan Cox dibatasi pada 3 kovariat, membutuhkan ≥30 kejadian, dan mengembalikan null pada non-konvergensi. |
| Permukaan konsumsi | Tampilan kohort retensi dan panel korelasinya. |
12. Prospek pendapatan (Holt-Winters)
Prakiraan pendapatan harian 14 hari dengan rentang kesalahan yang jujur.
| Metode | Penghalusan eksponensial rangkap tiga aditif dengan musiman mingguan m = 7 dan konstanta TETAP α = 0,3, β = 0,05, γ = 0,3 — penyetelan mandiri adalah tujuan yang disengaja — diinisialisasi secara deterministik dari dua musim pertama. |
| Input | GMV harian dibaca melalui lapisan semantik metrik bersertifikat (tanpa agregasi kedua); hari yang hilang dipadatkan menjadi $0; angka nol sebelum penjualan pertama dipangkas. |
| Hasil & ke mana hasilnya | Prakiraan 14 hari, dibatasi ≥0, dengan rentang = kesalahan absolut satu langkah rata-rata dalam sampel × 1,5 (dasar yang dinyatakan, bukan interval kepercayaan distribusi). |
| Pintu kejujuran | ≥28 hari riwayat bukan nol — jika tidak null, dan tidak ada yang ditampilkan. |
| Permukaan konsumsi | Prospek pendapatan dasbor. |
Mengonsumsi skor
Skor tingkat anggota muncul sebagai kolom gulir dan mengalir keluar melalui empat permukaan, sesuai urutan jangkauan yang meningkat:
- Kolom Rollup. Pembaruan harian menulis skor per anggota (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) ke dalam rollup perilaku anggota — NULL di mana pun gerbang tidak terpenuhi. - Kondisi segmen. Enam kondisi prediktif menargetkan skor:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order, ditambah tag. Anggota yang skornya NULL tidak akan pernah cocok — segmen mewarisi gerbang kejujuran. - Profil anggota API / muatan wawasan. Skor yang sama dikirim dalam permukaan baca profil anggota, jadi apa yang dibaca integrator persis sama dengan apa yang ditampilkan halaman profil.
- MCP untuk agen. Agen AI membaca skor melalui
get_member_profilepada server MCP yang diatur — data yang sama, di balik cakupan dan tata kelola yang sama.
Untuk kisah yang berkaitan dengan bisnis dari kemampuan ini, lihat Kecerdasan Prediktif; untuk mekanisme persetujuan, log keputusan, dan penyamaran PII yang digunakan setiap model, lihat Tata Kelola AI: Introspeksi & Persetujuan.