Rujukan Model Ramalan
Lapisan ramalan Flash ialah kotak kaca : dua belas model deterministik klasik — tiada pemarkahan kotak hitam. Setiap model adalah TypeScript tulen, deterministik mengikut pembinaan (pengoptimum dan jadual tetap, tiada init rawak, tiada persampelan — data yang sama sentiasa menghasilkan model yang sama, jadi perubahan skor sentiasa dikesan kepada perubahan data), diubah suai setiap malam bagi setiap penyewa daripada data penyewa itu sendiri dan dijaga kejujuran: di bawah minimum sejarah sebenar yang dinyatakan oleh setiap model, outputnya ialah NULL/tiada — permukaan tidak memaparkan apa-apa selain daripada tekaan. Ramalan berpangkat dan mencadangkan; pelaksanaan kekal di belakang kelulusan, had dan semakan persetujuan platform.
Halaman ini ialah rujukan kejuruteraan bagi setiap model: apa yang dikira oleh setiap model, kaedahnya, input, output dan di mana ia mendarat, pintu kejujurannya dan permukaan yang menggunakannya. Untuk kisah yang berhadapan dengan perniagaan, lihat halaman produk Predictive Intelligence; untuk landasan tadbir urus yang diikuti oleh setiap model, lihat panduan Tadbir urus AI.
Empat jaminan, dikongsi oleh setiap model
Deterministik mengikut pembinaan
Setiap model adalah TypeScript tulen dengan pengoptimum dan jadual tetap — tiada permulaan rawak, tiada persampelan. Data yang sama sentiasa menghasilkan model yang sama, jadi perubahan skor sentiasa dikesan kepada perubahan data.
Pengubahsuaian setiap malam, setiap penyewa
Setiap model diubah suai setiap malam daripada data penyewa itu sendiri — lejarnya sendiri, penghantarannya sendiri, pesanannya sendiri. Tiada pengumpulan silang penyewa.
Berpagar kejujuran
Di bawah minimum sejarah sebenar yang dinyatakan oleh setiap model, outputnya ialah NULL/tiada — permukaan tidak memaparkan apa-apa selain daripada tekaan. Setiap pintu disenaraikan di halaman ini.
Pangkatkan dan cadangkan, jangan sekali-kali laksanakan
Ramalan dinilai dan dicadangkan; pelaksanaan kekal di belakang kelulusan, had dan semakan persetujuan platform. Tiada model yang menggerakkan wang atau menghubungi ahli sendiri.
Dua belas model
- Risiko Churn & CLV 12 bulan
- Tarikh pembelian seterusnya yang dijangkakan
- Kecenderungan klik
- Masa terbaik untuk menghantar
- Pengoptimuman automatik trafik A/B
- Penambahbaikan
- Persamaan-item (item-kNN)
- Peraturan persatuan
- Persamaan yang serupa
- Pengesan penipuan penyimpangan tingkah laku
- Kelangsungan pengekalan (KM + Cox)
- Tinjauan hasil (Holt-Winters)
1. Risiko Churn & CLV 12 bulan
Untuk setiap pembeli: kebarangkalian pelanggan telah luput secara senyap (churn_risk, 0–100) dan perbelanjaan yang dijangkakan sepanjang dua belas bulan akan datang (predicted_clv_12m).
| Kaedah | BG/NBD — model corak pembelian keluarga Pareto bagi kekerapan pembelian dan keciciran — digabungkan dengan model perbelanjaan Gamma-Gamma. Kedua-duanya dipasang setiap pasukan, setiap malam, melalui Nelder-Mead yang deterministik. |
| Input | Lejar pembelian — transaksi perolehan mata pasukan sendiri — sebagai sumber tunggal sejarah pembelian setiap ahli. Tiada apa-apa di luar lejar penyewa. |
| Output & tempat ia sampai | member_behavior_rollup lajur: churn_risk (0–100, dikira sebagai 100 × (1 − P(hidup))), predicted_clv_12m (E[transaksi berulang dalam 365 hari] × E[perbelanjaan setiap transaksi]) dan predictive_confidence. |
| Pintu kejujuran | Gerbang kesesuaian pasukan: ≥200 pembeli, ≥50 pembeli berulang, dan kedua-dua kesesuaian mesti bertemu. Gamma-Gamma juga memerlukan purata populasi yang terhad — jika tidak, CLV akan kembali kepada purata perbelanjaan ahli sendiri, dinyatakan sebagai asas yang lebih lemah. Gerbang ahli: bukan pembeli tidak pernah dijaringkan; kurang daripada 3 pembelian atau kurang daripada 2 bulan sejarah → NULL. |
| Permukaan penggunaan | Tinjauan Ramalan profil, churn_risk dan predicted_clv_12m syarat segmen, kedudukan menang balik dan kad tindakan yang disyorkan. |
2. Tarikh pembelian seterusnya yang dijangkakan
Bilakah pembelian seterusnya setiap ahli dijangkakan, dan sejauh mana tempoh sekitar tarikh tersebut. Tarikh yang dijangkakan mungkin pada masa lalu — itu adalah isyarat tertunggak yang disengajakan dan jujur, bukan pepijat.
| Kaedah | Pandangan Gamma kaedah-momen bagi jurang antara pembelian ahli itu sendiri. |
| Input | SSOT transaksi perolehan yang sama seperti churn/CLV — jurang yang diperhatikan oleh ahli antara pembelian mereka sendiri. |
| Output & tempat ia sampai | next_order_expected_at (mungkin sudah lewat = tertunggak) dan next_order_window_days (± sisihan piawai sampel, minimum 1 hari). |
| Pintu kejujuran | ≥3 jurang yang diperhatikan, pekali variasi ≤1.5 (ritma yang tidak teratur ditolak, tidak pernah diteka), dan jurang min ≥0.25 hari — jika tidak NULL. |
| Permukaan penggunaan | Jubin profil dan days_until_expected_order keadaan segmen (negatif = lewat tempoh; khalayak pengisian semula adalah "antara −14 dan 3"). |
3. Kecenderungan klik
P(klik | hantar) untuk setiap ahli, dinyatakan sebagai click_propensity pada skala 0–100.
| Kaedah | Regresi logistik L2 yang diselaraskan setiap pasukan sepanjang 90 hari penghantaran terakhir, dilatih oleh penurunan kecerunan kelompok penuh deterministik pada jadual tetap. Labelnya HANYA klik — bukaan dikecualikan kerana Apple Praambil MPP mengembangkannya. Pengawal kebocoran memastikan setiap ciri kadar klik-dahulu penghantaran latihan mengecualikan hasil penghantaran itu sendiri, dan satu pembina ciri kongsi berfungsi untuk latihan dan pemarkahan, jadi baris latihan dan pemarkahan tidak boleh terpisah. |
| Input | Hasil penghantaran 90 hari terakhir pasukan itu sendiri. |
| Output & tempat ia sampai | click_propensity (0–100) tambah propensity_computed_at. |
| Pintu kejujuran | Pintu masuk pasukan: ≥500 hantaran, ≥30 klik, ≥50 ahli berbeza. Pintu masuk ahli: ≥3 hantaran terkini — jika tidak NULL. |
| Permukaan penggunaan | Jubin profil dan click_propensity keadaan segmen. |
4. Masa terbaik untuk menghantar
Jam penglibatan pilihan setiap ahli dalam zon waktu tempatan mereka sendiri, dan cadangan jam peringkat khalayak untuk keseluruhan penghantaran.
| Kaedah | Histogram jam penglibatan setiap ahli selama 90 hari, dalam zon waktu tempatan ahli: klik berwajaran 3× pembukaan bukan proksi, bot dikecualikan, Apple Pembukaan proksi MPP digugurkan. Jam yang diutamakan ialah mod melicinkan bulatan (jam 23 dan jam 0 adalah jiran). |
| Input | 90 hari acara penglibatan ahli sendiri, dipetakan ke zon waktu tempatan ahli. |
| Output & tempat ia sampai | preferred_send_hour (0–23, tempatan) tambah send_timing_sample. Cadangan khalayak ialah mod sepanjang waktu pilihan khalayak, dilaporkan dengan kiraan liputan. |
| Pintu kejujuran | Ahli tanpa sejarah penglibatan yang layak tidak mempunyai jam pilihan. Apabila aplikasi automatik tidak menemui isyarat, ia mengekalkan masa yang dikonfigurasikan oleh pemanggil — ia tidak pernah menangguhkan penghantaran secara senyap. |
| Permukaan penggunaan | Kad langkah jadual, preferred_send_hour keadaan segmen, dan guna secara automatik melalui hantar API (optimizeSendTime), yang menjadualkan kejadian seterusnya bagi jam yang disyorkan. |
5. Pengoptimuman automatik trafik A/B
Peruntukan pemberat penghantaran setiap jam merentasi varian percubaan kempen berulang, daripada prestasi klik langsung.
| Kaedah | Penguntuk deterministik ke atas klik setiap varian langsung: CTR min posterior yang dilicinkan Laplace dinaikkan kepada suhu, kemudian dinormalisasikan di atas lantai penerokaan setiap lengan 10%. Ia tidak pernah mengisytiharkan pemenang statistik — yang kekal sebagai keputusan A/B formal yang berasingan. |
| Input | Penghantaran langsung setiap varian dan kiraan klik untuk kempen. |
| Output & tempat ia sampai | Peruntukan terkini ditindih pada masa penghantaran — pembahagian yang dikonfigurasikan tidak pernah dimutasi. Setiap pengiraan semula setiap jam menambahkan satu baris pada bandit_allocations log keputusan dengan pemberat yang dikenakan dan rasional yang boleh dibaca oleh manusia. |
| Pintu kejujuran | Kempen berulang sahaja (automasi/perjalanan), ikut serta setiap kempen. Trafik kekal pada pembahagian yang sama rata sehingga setiap cabang mempunyai ≥100 penghantaran — tiada pengagihan semula pada data nipis. |
| Permukaan penggunaan | Tindan pemberat masa hantar pada kempen berulang yang diikut sertakan; tambahan sahaja bandit_allocations log ialah permukaan audit. |
6. Penambahbaikan
Ahli berisiko yang manakah harus diusahakan oleh ejen menang balik dahulu — pangkat yang menyedari kebolehpercayaan, bukan sekadar nilai yang berisiko.
| Kaedah | Peningkatan logistik dua model pada eksperimen penangguhan rawak program sendiri: peningkatan(x) = P(tukar | dirawat, x) − P(tukar | penangguhan, x). Lengan setiap ahli tidak berubah; penukaran = ≥1 tertib dalam tetingkap atribusi. |
| Input | Matang winback_attribution baris. Ciri-ciri datang daripada petikan masa giliran tugas apabila ada, jika tidak, gulungan semasa (dinyatakan sebagai anggaran). |
| Output & tempat ia sampai | Kunci kedudukan senarai kerja = nilai-berisiko × peningkatan. Peningkatan negatif (jangan-ganggu) tenggelam ke bawah, diletakkan pada keutamaan 0. task.reason membawa aritmetik penuh. |
| Pintu kejujuran | ≥200 baris yang diproses matang, ≥50 baris penangguhan matang, ≥20 penukaran dan kedua-dua padanan mesti bertemu — jika tidak, kedudukan kekal bernilai berisiko tulen. |
| Permukaan penggunaan | SoClaw susunan senarai kerja menang balik — baris gilir kedudukan yang dituntut oleh ejen tugasan daripadanya. |
Senarai kerja itu sendiri — menuntut tugas, tuas, penyiapan — didokumenkan dalam SoClaw Panduan Integrasi Win-Back.
7. Persamaan-item (item-kNN)
Persamaan produk-ke-produk “Juga dibeli”.
| Kaedah | Pewujudan pembelian bersama setiap malam yang dijaringkan oleh kejadian bersama yang dinormalisasi kosinus: co_count / sqrt(buyers(A) × buyers(B)) — normalisasi membetulkan bias populariti. Mentah co_count disimpan sebagai ruangan, sebagai bukti yang boleh diperiksa. |
| Input | Sejarah pembelian bersama penyewa sendiri — siapa yang membeli apa bersama-sama. |
| Output & tempat ia sampai | Skor persamaan pasangan item yang diwujudkan, dengan kiraan kejadian bersama mentah disimpan bersama setiap skor. |
| Pintu kejujuran | Pasangan memerlukan ≥2 pembeli kongsi untuk menjadi kenyataan. Kes nipis atau sejuk jatuh kembali kepada kategori terlaris, kemudian terlaris global; ahli sejuk tidak mendapat apa-apa selain produk rawak. |
| Permukaan penggunaan | Blok Cadangan e-mel, portal ahli dan API cadangan awam + v2. |
8. Peraturan persatuan
Peraturan jualan silang dalam bentuk "pembeli A juga membeli B", dengan sokongan, keyakinan dan rangsangan.
| Kaedah | Pasangan produk peringkat pesanan dilombong setiap malam. Ambang: ≥3 pesanan pasangan dan keyakinan ≥5%; 25 peraturan teratas setiap anteseden dikekalkan, disenaraikan mengikut peningkatan. |
| Input | Barisan pesanan peniaga sendiri. |
| Output & tempat ia sampai | catalog_association_rules baris yang membawa sokongan / keyakinan / peningkatan serta kiraan mentah yang diperolehnya (kiraan pasangan, anteseden dan susulan pesanan) — jadi setiap metrik boleh dikira semula dengan tangan. |
| Pintu kejujuran | ≥3 pesanan pasangan dan keyakinan ≥5% — di bawah itu, tiada peraturan wujud. |
| Permukaan penggunaan | Kad tindakan jualan silang profil — pembeli aktif sahaja, dengan produk yang sudah dimiliki dikecualikan. |
9. Persamaan yang serupa
Betapa serupanya setiap ahli pangkalan dengan khalayak benih, dengan pecahan setiap ahli tentang sebabnya.
| Kaedah | Seed → Sentroid Rocchio: Persamaan kosinus tag berwajaran IDF + Jarak berangka yang dinormalisasi Gower (RFM, kiraan pembelian, kebaruan), serta gabungan profil apabila seed mempunyai data — padanan peringkat nilai, padanan kategori utama, jarak pandangan churn — dengan pemberat yang dinormalisasi semula ke atas dimensi yang sebenarnya HADIR, jadi seed tanpa data profil merosot tepat kepada peringkat tag + berangka. |
| Input | Tag ahli benih, tingkah laku berangka (RFM, kiraan pembelian, kebaharuan) dan medan profil, dipadankan dengan pangkalan ahli penyewa sendiri. |
| Output & tempat ia sampai | Skor persamaan setiap ahli dengan pecahan setiap dimensi yang memperkasa ringkasan "Mengapa mereka serupa". |
| Pintu kejujuran | Benih kecil mendapat pengecutan ditambah amaran yang jelas dan bukannya skor yang yakin. |
| Permukaan penggunaan | Aliran khalayak yang serupa. Hanya dalam pangkalan — khalayak yang serupa tidak pernah dimuat naik ke platform iklan. |
10. Pengesan penipuan penyimpangan tingkah laku
Sama ada aktiviti mata 30 hari ahli merupakan penyimpangan statistik yang ekstrem terhadap taburan ahli pasukan sendiri.
| Kaedah | Statistik teguh setiap pasukan sepanjang aktiviti mata 30 hari — peroleh kiraan transaksi, mata yang diperoleh, penebusan lejar — median + MAD setiap ciri, teguh z = 0.6745 × (x − median) / MAD, tandakan pada z ≥ 6 DAN ≥10 peroleh transaksi. |
| Input | 30 hari aktiviti mata pasukan sendiri, setiap ahli. |
| Output & tempat ia sampai | Pembekuan pada mata ahli yang masih ada serta fraud_points_hold tugas semakan. Bendera hanya membekukan mata untuk semakan — ia tidak pernah terbatal dengan sendirinya. Sebab muatan membawa nilai setiap ciri / median / robust-z. |
| Pintu kejujuran | Pasukan di bawah 50 ahli aktif dilangkau sepenuhnya (tiada garis dasar yang bermakna); MAD = 0 ciri dilangkau; ahli yang telah dibekukan tidak pernah ditimbun; pengurangan akan dihadkan setiap bulan. |
| Permukaan penggunaan | Senarai kerja semakan penipuan mata. |
Saluran beku-kemudian-keputusan yang disuap oleh pengesan ini — ditahan, semantik keputusan, kawalan pentadbir — didokumenkan dalam Panduan Perlindungan Penipuan Mata.
11. Kelangsungan pengekalan (KM + Cox)
Keluk pengekalan setiap kohort pendaftaran bulanan, dan atribut ahli yang berkaitan dengan pengekalan.
| Kaedah | Keluk had produk Kaplan-Meier setiap kohort pendaftaran bulanan; peristiwa churn adalah 90 hari tanpa pembelian (masa churn = pembelian terakhir + 90 hari), pembeli baru-baru ini ditapis kanan, pembeli yang tidak pernah membeli dikecualikan. Bahaya berkadar Cox melalui kemungkinan separa Breslow, dimaksimumkan dengan Nelder-Mead deterministik yang sama. |
| Input | Sejarah pendaftaran dan pembelian penyewa sendiri. |
| Output & tempat ia sampai | Keluk kelangsungan hidup kohort dan nisbah bahaya Cox dipaparkan sebagai ayat biasa — dengan nisbah antara 0.95 dan 1.05 dilaporkan sebagai "tiada perbezaan yang bermakna", dan semuanya dilabelkan sebagai korelasi, bukan sebab-akibat. |
| Pintu kejujuran | Kohort memerlukan ≥30 ahli; lengkung tidak pernah diekstrapolasi melebihi ufuk kohort yang diperhatikan. Padanan Cox dihadkan pada 3 kovariat, memerlukan ≥30 peristiwa dan mengembalikan null pada ketidakkonvergenan. |
| Permukaan penggunaan | Paparan kohort pengekalan dan panel korelasinya. |
12. Tinjauan hasil (Holt-Winters)
Ramalan pendapatan harian 14 hari dengan jalur ralat yang jujur.
| Kaedah | Pelicinan eksponen tiga kali ganda tambahan dengan bermusim mingguan m = 7 dan pemalar TETAP α = 0.3, β = 0.05, γ = 0.3 — penalaan kendiri adalah bukan matlamat yang disengajakan — diinisialisasi secara deterministik daripada dua musim pertama. |
| Input | GMV harian membaca lapisan semantik metrik yang diperakui (tiada pengagregatan kedua); hari yang hilang dipadatkan kepada $0; sifar sebelum jualan pertama dipotong. |
| Output & tempat ia sampai | Ramalan 14 hari, diapit ≥0, dengan jalur = min ralat satu langkah mutlak dalam sampel × 1.5 (asas yang dinyatakan, bukan selang keyakinan taburan). |
| Pintu kejujuran | ≥28 hari sejarah bukan sifar — jika tidak null, dan tiada apa yang dipaparkan. |
| Permukaan penggunaan | Tinjauan pendapatan papan pemuka. |
Mengambil skor
Skor peringkat ahli jatuh sebagai lajur gulung atas dan mengalir keluar melalui empat permukaan, mengikut urutan jangkauan yang semakin meningkat:
- Lajur gulung atas. Pengubahsuaian setiap malam menulis skor setiap ahli (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) pada gulung atas tingkah laku ahli — NULL di mana-mana sahaja pintu masuk tidak dipenuhi. - Syarat segmen. Enam syarat ramalan menyasarkan skor:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order, serta tag. Ahli yang skornya NULL tidak pernah sepadan — segmen mewarisi pintu kejujuran. - Profil ahli API / muatan wawasan. Skor yang sama dihantar dalam permukaan bacaan profil ahli, jadi apa yang dibaca oleh penyepadu adalah tepat seperti yang ditunjukkan oleh halaman profil.
- MCP untuk ejen. Ejen AI membaca skor melalui
get_member_profilepada pelayan MCP yang ditadbir — data yang sama, di sebalik skop dan tadbir urus yang sama.
Untuk kisah perniagaan tentang keupayaan ini, lihat Kecerdasan Ramalan; untuk gear kelulusan, log keputusan dan penyamaran PII yang digunakan oleh setiap model, lihat Tadbir Urus AI: Introspeksi & Kelulusan.