예측 모델 참조
Flash의 예측 레이어는 투명 상자와 같습니다. 12개의 고전적인 결정론적 모델이 있으며, 블랙박스 스코어링은 없습니다. 모든 모델은 순수 TypeScript로 작성되었으며, 구조적으로 결정론적입니다(고정된 옵티마이저 및 스케줄, 무작위 초기화 없음, 샘플링 없음 - 동일한 데이터는 항상 동일한 모델을 생성하므로 점수 변화는 항상 데이터 변경으로 추적됩니다). 또한 각 테넌트의 자체 데이터를 사용하여 매일 밤 테넌트별로 재학습되며, 정직성 검증을 거칩니다. 각 모델이 명시한 최소 실제 이력 미만인 경우 출력은 NULL/없음으로 표시되며, 표면은 추측 대신 아무것도 표시하지 않습니다. 예측은 순위를 매기고 제안을 제공하며, 실행은 플랫폼의 승인, 제한 및 동의 확인 후에 이루어집니다.
이 페이지는 모델별 엔지니어링 참조 자료입니다. 각 모델이 계산하는 내용, 방법론, 입력, 출력 및 출력 결과의 위치, 무결성 검증 절차, 그리고 모델을 사용하는 인터페이스에 대한 정보를 제공합니다. 비즈니스 관련 내용은 예측 인텔리전스 제품 페이지를 참조하시고, 모든 모델이 실행되는 데 필요한 거버넌스 체계는 AI 거버넌스 가이드를 참조하십시오.
모든 모델이 공유하는 네 가지 보장 사항
설계상 결정론적
모든 모델은 고정된 최적화 도구와 스케줄을 사용하는 순수 TypeScript로 작성되었으며, 무작위 초기화나 샘플링은 사용하지 않습니다. 동일한 데이터는 항상 동일한 모델을 생성하므로 점수 변화는 항상 데이터 변화와 연관됩니다.
세입자별로 매일 밤 재구성
각 모델은 매일 밤 해당 테넌트의 자체 데이터(자체 원장, 자체 전송, 자체 주문)를 바탕으로 재구성됩니다. 테넌트 간 풀링이 없습니다.
정직성 보장
각 모델에서 명시된 최소 실제 이력 아래에는 출력값이 NULL/없음으로 표시됩니다. 즉, 표면은 추측이 아닌 아무것도 표시하지 않습니다. 모든 게이트는 이 페이지에 나열되어 있습니다.
순위를 매기고 제안만 하세요. 절대 실행하지 마세요.
예측은 순위를 매기고 제안합니다. 실행은 플랫폼의 승인, 한도 및 동의 확인 뒤에 유지됩니다. 어떤 모델도 스스로 돈을 옮기거나 회원에게 연락하지 않습니다.
열두 가지 모델
1. 고객 이탈 위험 및 12개월 고객 생애 가치(CLV)
모든 구매자에 대해: 고객이 조용히 이탈했을 확률 (churn_risk(0~100) 및 향후 12개월 예상 지출액(predicted_clv_12m).
| 방법 | BG/NBD - 구매 빈도 및 이탈에 대한 파레토 패밀리 구매 패턴 모델을 감마-감마 지출 모델과 결합합니다. 둘 다 결정론적 Nelder-Mead를 통해 팀별로, 밤별로 장착됩니다. |
| 입력값 | 팀 구성원의 구매 내역은 구매 장부(팀 자체의 포인트 적립 거래 내역)만으로 구성됩니다. 임차인 장부 외의 다른 정보는 일절 사용되지 않습니다. |
| 출력물 및 출력물의 최종 위치 | member_behavior_rollup 열: churn_risk (0–100, 100 × (1 − P(활성))로 계산됨) predicted_clv_12m (E[365일 내 반복 거래] × E[거래당 지출]) 및 predictive_confidence. |
| 정직의 문 | 팀 적합성 기준: 구매자 200명 이상, 재구매 고객 50명 이상, 두 가지 적합성 모두 수렴해야 합니다. 감마-감마 모델은 또한 유한한 모집단 평균을 요구합니다. 그렇지 않으면 CLV는 약한 기준으로 제시된 회원의 평균 지출액으로 귀결됩니다. 회원 기준: 비구매자는 평가되지 않습니다. 구매 횟수가 3회 미만이거나 이력이 2개월 미만인 경우 → NULL. |
| 소비 표면 | 프로필의 예측 전망, churn_risk 그리고 predicted_clv_12m 세그먼트 조건, 재구매 순위 및 추천 액션 카드. |
2. 예상 다음 구매일
각 회원의 다음 구매 예상일과 해당 예상일을 기준으로 한 기간의 크기를 표시합니다. 예상일이 과거일 수도 있는데, 이는 오류가 아니라 의도적이고 정직한 기한 경과 알림입니다.
| 방법 | 회원의 구매 간격에 대한 모멘트법 기반 감마 분석. |
| 입력값 | 이탈률/고객 생애 가치(CLV)와 마찬가지로, 포인트 적립 거래 SSOT는 회원이 자신의 구매 간 간격을 인지하는 데 사용됩니다. |
| 출력물 및 출력물의 최종 위치 | next_order_expected_at (이미 지난 경우 = 기한 초과) 및 next_order_window_days (표본 표준 편차 ±, 최소 1일). |
| 정직의 문 | 관찰된 간격이 3회 이상이고 변동 계수가 1.5 이하(불규칙한 주기는 거부되며, 추측은 절대 하지 않음), 평균 간격이 0.25일 이상인 경우 - 그렇지 않으면 NULL입니다. |
| 소비 표면 | 프로필 타일과 days_until_expected_order 세그먼트 조건(부정적 = 기한 초과; 재구매 대상은 "–14~3 사이"). |
3. 클릭 성향
각 회원의 P(클릭 | 전송)는 다음과 같이 표현됩니다. click_propensity 0~100점 척도
| 방법 | 지난 90일간의 전송에 대한 팀별 L2 정규화 로지스틱 회귀는 고정된 일정에 따라 결정론적 전체 배치 경사하강법으로 훈련되었습니다. 레이블은 클릭 전용입니다. Apple MPP 프리페치가 부풀리기 때문에 열기는 제외됩니다. 누출 가드는 각 훈련 전송의 이전 클릭률 기능이 해당 전송의 자체 결과를 제외하도록 보장하고, 하나의 공유 기능 빌더가 훈련과 채점을 모두 제공하므로 훈련 및 채점 행이 서로 떨어져 나갈 수 없습니다. |
| 입력값 | 팀 자체의 지난 90일간의 발송 결과입니다. |
| 출력물 및 출력물의 최종 위치 | click_propensity (0~100) 이상 propensity_computed_at. |
| 정직의 문 | 팀 적합성 조건: 전송 500회 이상, 클릭 30회 이상, 구성원 50명 이상. 구성원 적합성 조건: 최근 전송 3회 이상 — 그렇지 않으면 NULL. |
| 소비 표면 | 프로필 타일과 click_propensity 세그먼트 조건. |
4. 보내기 가장 좋은 시간
각 구성원의 현지 시간대 기준 선호 참여 시간 및 전체 전송에 대한 대상별 시간 추천.
| 방법 | 회원의 현지 시간대를 기준으로 90일 동안 회원별 참여 시간 히스토그램: 클릭은 프록시를 사용하지 않은 열람에 3배의 가중치를 부여하고, 봇은 제외하며, Apple MPP 프록시 열람은 제외합니다. 선호하는 시간은 원형 평활화 모드입니다(23시와 0시는 인접 시간). |
| 입력값 | 회원의 현지 시간대로 매핑된 회원 본인의 90일 참여 이벤트입니다. |
| 출력물 및 출력물의 최종 위치 | preferred_send_hour (0~23세, 지역) 플러스 send_timing_sample시청자 추천은 시청자들이 선호하는 시간대의 최빈값이며, 시청률과 함께 보고됩니다. |
| 정직의 문 | 적격 참여 이력이 없는 회원은 선호 시간을 설정할 수 없습니다. 자동 적용 기능이 신호를 찾지 못하면 발신자가 설정한 시간을 유지하며, 전송을 조용히 지연시키지 않습니다. |
| 소비 표면 | 일정 단계 카드, preferred_send_hour 세그먼트 조건 및 전송을 통한 자동 적용 API (optimizeSendTime이는 권장되는 시간이 다음 번 발생하도록 예약하는 기능입니다. |
5. A/B 트래픽 자동 최적화
반복 캠페인의 실험 변형 전반에 걸쳐 시간별 전달 가중치 할당은 실시간 클릭 실적을 기반으로 합니다.
| 방법 | 각 변형별 클릭 데이터를 기반으로 하는 결정론적 할당 방식: 라플라스 평활화된 사후 평균 CTR을 특정 온도로 올린 다음, 각 실험군별 탐색 하한선인 10% 이상으로 정규화합니다. 이 방식은 통계적으로 승자를 결정하지 않으며, 승자 결정은 별도의 공식적인 A/B 테스트를 통해 이루어집니다. |
| 입력값 | 캠페인별 변형별 실시간 배송량 및 클릭 수. |
| 출력물 및 출력물의 최종 위치 | 최신 할당량이 전송 시점에 중첩되며, 구성된 분할 비율은 변경되지 않습니다. 매시간 재계산 시 한 행이 추가됩니다. bandit_allocations 가중치가 적용된 의사 결정 로그와 사람이 읽을 수 있는 근거. |
| 정직의 문 | 반복 캠페인만 해당(자동화/여정), 캠페인별 옵트인. 모든 캠페인에서 100건 이상의 전달이 발생할 때까지 트래픽은 균등하게 분배되며, 데이터가 부족한 경우 재할당되지 않습니다. |
| 소비 표면 | 옵트인된 반복 캠페인에 대한 전송 시간 가중치 오버레이; 추가 전용 bandit_allocations 로그는 감사 표면입니다. |
6. 윈백 향상
어떤 위험에 처한 구성원을 먼저 설득해야 하는지, 즉 위험에 처한 가치뿐만 아니라 설득 가능성을 고려한 순위를 정해야 합니다.
| 방법 | 프로그램 자체의 무작위 홀드아웃 실험에 대한 두 모델 로지스틱 상승 효과: 상승 효과(x) = P(전환 | 처리군, x) − P(전환 | 홀드아웃군, x). 구성원별 그룹은 변경 불가능하며, 전환은 기여 기간 내 1건 이상의 주문을 의미합니다. |
| 입력값 | 성숙 단계 winback_attribution 행. 기능은 작업이 대기열에 추가될 때의 스냅샷이 있는 경우 해당 스냅샷에서 가져오고, 그렇지 않은 경우 현재 롤업(근사치로 표시됨)에서 가져옵니다. |
| 출력물 및 출력물의 최종 위치 | 작업 목록 순위 결정 기준은 위험 가치 × 상승 효과입니다. 상승 효과가 마이너스인 경우(방해 금지)는 최하위인 0위로 떨어집니다. task.reason 모든 계산을 포함합니다. |
| 정직의 문 | 200개 이상의 처리된 성숙 행, 50개 이상의 검증 행, 20회 이상의 변환이 필요하며, 두 가지 적합 모두 수렴해야 합니다. 그렇지 않으면 순위는 순수 위험 가치(Value-at-Risk)로 유지됩니다. |
| 소비 표면 | SoClaw 윈백 작업 목록 순서 지정 — 에이전트가 작업을 가져오는 순위 대기열입니다. |
작업 목록 자체(작업 할당, 레버, 완료)는 SoClaw Win-Back 통합 가이드에 문서화되어 있습니다.
7. 제품 유사도(item-kNN)
"또한 구매한" 제품 간 유사성.
| 방법 | 코사인 정규화된 동시 발생률로 점수를 매긴 야간 공동 구매 현황: co_count / sqrt(buyers(A) × buyers(B)) — 정규화는 인기 편향을 수정합니다. 원본 데이터는 다음과 같습니다. co_count 검증 가능한 증거로 열에 보관됩니다. |
| 입력값 | 임차인 본인의 공동구매 내역 - 누가 무엇을 함께 구매했는지. |
| 출력물 및 출력물의 최종 위치 | 구체화된 항목 쌍 유사도 점수와 각 점수와 함께 저장되는 원시 동시 발생 횟수. |
| 정직의 문 | 쌍이 실현되려면 2명 이상의 공유 구매자가 필요합니다. 얇거나 차가운 케이스는 베스트셀러 카테고리로 분류된 다음 글로벌 베스트셀러로 분류됩니다. 콜드 회원은 무작위 제품 외에는 아무것도 얻지 못합니다. |
| 소비 표면 | 이메일 추천 블록, 회원 포털, 그리고 공개 + v2 추천 API. |
8. 연관 규칙
“A의 구매자는 B도 구매합니다”라는 형식의 교차 판매 규칙은 지원, 자신감 및 상승 효과를 제공합니다.
| 방법 | 주문 수준의 제품 쌍은 매일 밤 추출됩니다. 임계값: 3개 이상의 쌍 주문 및 5% 이상의 신뢰도; 각 전제 조건당 상위 25개 규칙이 리프트 순으로 유지됩니다. |
| 입력값 | 판매자의 자체 주문 라인. |
| 출력물 및 출력물의 최종 위치 | catalog_association_rules 지지율/신뢰도/리프트 값을 포함하는 행과 해당 행에서 파생된 원시 카운트(쌍, 선행 및 후행 주문 카운트)를 모두 포함하므로 모든 지표를 수동으로 다시 계산할 수 있습니다. |
| 정직의 문 | 3개 이상의 쌍 순서와 5% 이상의 신뢰도 — 그 미만일 경우 규칙이 존재하지 않습니다. |
| 소비 표면 | 프로필 교차 판매 작업 카드 — 활성 구매자만 해당되며 이미 소유한 제품은 제외됩니다. |
9. 유사 회원 분석
베이스 멤버 각자가 시드 오디언스와 얼마나 유사한지, 그리고 그 이유를 멤버별로 분석
| 방법 | 시드 → 로키오 중심점: IDF 가중 태그 코사인 유사도 + 고워 정규화 수치 거리(RFM, 구매 횟수, 최근성)에 시드에 데이터가 있는 경우 프로필 융합(가치 등급 일치, 기본 카테고리 일치, 이탈 전망 근접성)을 더합니다. 이때 가중치는 실제로 존재하는 차원에 대해 재정규화되므로 프로필 데이터가 없는 시드는 정확히 태그 + 수치 등급으로 저하됩니다. |
| 입력값 | 회원의 태그, 수치적 행동(RFM, 구매 횟수, 최근 구매 빈도) 및 프로필 필드를 테넌트의 회원 기반과 비교하여 매칭합니다. |
| 출력물 및 출력물의 최종 위치 | 구성원별 유사성 점수와 차원별 세부 분석 결과를 바탕으로 "이들이 유사한 이유"에 대한 요약 정보를 제공합니다. |
| 정직의 문 | 작은 씨앗은 수축될 뿐만 아니라 확실한 점수 대신 명확한 경고를 받습니다. |
| 소비 표면 | 유사 잠재고객 찾기 흐름. 기본 데이터만 사용하며, 유사 잠재고객은 광고 플랫폼에 업로드되지 않습니다. |
10. 이상 행동 사기 탐지기
회원의 30일간 포인트 활동이 팀 전체 회원 분포와 비교했을 때 극단적인 통계적 이상치인지 여부.
| 방법 | 팀별 30일간 포인트 활동에 대한 견고한 통계 - 적립 거래 횟수, 적립 포인트, 원장 사용 - 각 항목별 중앙값 + 평균 절대 오차(MAD), 견고한 z = 0.6745 × (x − 중앙값) / MAD, z ≥ 6 및 적립 거래 ≥ 10인 경우 플래그 지정. |
| 입력값 | 팀 구성원 1인당 30일간의 팀 자체 포인트 활동 내역. |
| 출력물 및 출력물의 최종 위치 | 회원의 기존 포인트 동결 및 추가 기능 fraud_points_hold 검토 작업. 플래그는 검토를 위해 포인트를 고정할 뿐이며, 자동으로 무효화되지 않습니다. 페이로드에 기능별 값/중앙값/강건 Z 값이 포함되는 이유. |
| 정직의 문 | 활성 멤버가 50명 미만인 팀은 완전히 건너뜁니다(의미 있는 기준선 없음). MAD = 0 기능은 건너뜁니다. 이미 동결된 멤버는 추가되지 않습니다. 중복 제거는 월별로 처리됩니다. |
| 소비 표면 | 점수 부정행위 검토 작업 목록. |
이 탐지기가 제공하는 보류-판정 파이프라인(보류, 판정 의미 체계, 관리자 제어)은 포인트 사기 방지 가이드에 자세히 설명되어 있습니다.
11. 보유 생존(KM + Cox)
월별 가입자 그룹별 유지율 곡선과 유지율과 상관관계가 있는 회원 속성은 무엇인가요?
| 방법 | 월별 가입자 코호트별 Kaplan-Meier 제품 한계 곡선; 이탈 이벤트는 90일 동안 구매가 없는 경우(이탈 시간 = 마지막 구매 + 90일)로 정의하며, 최근 구매자는 우측 절단되고, 구매 경험이 없는 고객은 제외됩니다. 브레슬로우 부분 우도법을 통한 콕스 비례 위험 모형, 동일한 결정론적 넬더-미드 모형으로 최대화. |
| 입력값 | 임차인의 가입 신청서 및 구매 내역. |
| 출력물 및 출력물의 최종 위치 | 코호트 생존 곡선 및 Cox 위험 비율은 일반 문장으로 렌더링됩니다. 0.95에서 1.05 사이의 비율은 "의미 있는 차이 없음"으로 보고되고 모든 항목에는 인과 관계가 아닌 상관 관계가 표시됩니다. |
| 정직의 문 | 코호트는 30명 이상의 구성원이 필요하며, 곡선은 코호트의 관찰 기간을 넘어서 외삽되지 않습니다. Cox 회귀 분석은 공변량 3개로 제한되며, 30개 이상의 이벤트가 필요하고, 수렴하지 않을 경우 null을 반환합니다. |
| 소비 표면 | 유지 코호트 보기 및 상관관계 패널. |
12. 매출 전망(홀트-윈터스)
오차 범위가 허용된 14일간의 일일 매출 예측입니다.
| 방법 | 주간 계절성 m = 7 및 고정 상수 α = 0.3, β = 0.05, γ = 0.3을 사용하는 가산 삼중 지수 평활법 — 자체 조정은 의도적인 목표가 아님 — 처음 두 시즌에서 결정론적으로 초기화됨. |
| 입력값 | 인증된 메트릭 시맨틱 레이어를 통해 일일 GMV를 읽어옵니다(2차 집계 없음). 누락된 날짜는 0으로 압축되고, 첫 판매 전의 0은 제거됩니다. |
| 출력물 및 출력물의 최종 위치 | 14일 예측은 0 이상으로 제한되며, 범위는 표본 내 평균 절대 1단계 오차 × 1.5입니다(명시된 기준이며, 분포 신뢰 구간이 아닙니다). |
| 정직의 문 | ≥28일의 0이 아닌 기록 - 그렇지 않으면 null이며 아무것도 렌더링되지 않습니다. |
| 소비 표면 | 대시보드 수익 전망 |
점수 활용
회원별 점수는 롤업 컬럼 형태로 표시되며, 도달 범위가 점차 넓어지는 순서대로 네 개의 표면을 통해 바깥쪽으로 퍼져 나갑니다.
- 롤업 열. 야간 재조정은 멤버별 점수(
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…)를 멤버 행동 롤업에 기록합니다. 게이트가 충족되지 않은 곳에서는 NULL입니다. - 세그먼트 조건. 6가지 예측 조건은 점수(
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order)와 태그를 대상으로 합니다. 점수가 NULL인 멤버는 절대 일치하지 않습니다. 세그먼트는 정직성 기준을 상속받습니다. - 회원 프로필 API / 인사이트 페이로드. 동일한 점수가 회원 프로필 읽기 화면에 표시되므로 통합자가 읽는 내용은 프로필 페이지에 표시되는 내용과 정확히 같습니다.
- MCP는 에이전트용입니다. AI 에이전트는 관리되는 MCP 서버의
get_member_profile를 통해 점수를 읽습니다. 동일한 데이터가 동일한 범위와 거버넌스 뒤에 있습니다.
이러한 기능에 대한 비즈니스 관련 이야기는 예측 인텔리전스를 참조하세요. 모든 모델이 작동하는 승인 장치, 결정 로그 및 PII 마스킹에 대해서는 AI 거버넌스: 성찰 및 승인을 참조하세요.