关系与亲和力将客户群转化为您可以了解和采取行动的网络。
抽象层的一个子组件，基于一个简单的前提：客户并非孤立的个体，而是关系网络中的一个节点——价值在于其边。在成员端，它计算一个真实的关联图，其节点是经过身份解析的成员，边是受控的多类型链接：转化推荐、大使到客户的联系以及潜在的家庭。它读取该图的结构——社群、枢纽和孤立成员——以便根据结构角色选择策略。在产品端，它从真实的购物篮中推导出关联性：哪些产品被一起购买以及成员倾向于哪些类别。然后，覆盖范围、家庭、推荐和推荐策略都基于这些真实的关联，而不是猜测。
将客户视为网络中的节点，而非孤立的原子——构建包含真实推荐、品牌大使关系和潜在家庭的多类型成员图，以及产品共同购买和品类偏好。
客户是节点，而非原子——价值在于边。
大多数零售营销将每个客户视为孤立的个体，忽略了客户群中最有价值的部分：客户之间的联系。这一层将这些联系具象化——一个计算并管理的成员及其关系图——从而使客户留存策略能够绘制网络图、解读其结构并按角色进行操作。
- Hub（高推荐度）
- 成员
- 隔离（流失风险）
- 转化的推荐
- 可能的家庭用户
- 共同购买亲和力
节点即客户；边缘即关系
每个节点都是一个经过身份解析的忠诚度会员——一个真实且已获得授权的人，而不是设备或重复用户。图表的价值在于它们之间的边，每条边都代表一种特定的、受控的关系，而非模糊的相似性。
- 转化推荐——骨干优势，仅在推荐实际注册时绘制。它是提供枢纽影响力的一个环节，因此它保留了真实口碑的清晰记录。
- 大使到顾客——大使带来的每一位顾客都会成为持久的纽带，将粉丝群转化为可浏览的网络。
- 可能的家庭成员——通过保护隐私的指纹推断出共享同一地址的成员，该指纹不会存储原始标识符，仅保留给可能的少数群体。
- 产品亲和力——基于真实购物篮数据得出的共同购买组合（购买了 X，也购买了 Y）和每个成员的类别倾向，将用户图谱与其实际购买行为联系起来。统计相似性本身——产品/产品和成员/成员的相似度——在姊妹层“亲和力与相似性”中进行了详细建模。
边缘计算功能
一旦关系真实存在并具象化，结构便会自然而然地从中显现——而结构正是您可以采取行动的基础。一堆孤立的原子则不具备这些特性。
- 社群——由相互联系的成员（家庭、朋友群、本地社群）组成的集群，只需一条消息即可传播，无需逐个付费触达。
- 枢纽——高推荐度会员：通过推荐转化会员而非粉丝数量获得此排名的天然影响力人物。
- 孤立成员——没有转化推荐边和社交锚点的节点，最终会造成不成比例的流失风险。
- 次佳推荐——推荐产品基于会员真实的共同购买记录和品类模式，而非通用的全店热度。
这对人工智能决策的重要性
基于原子进行推理的代理只能计算与不存在的“平均客户”的相似度。而基于图进行推理的代理，可以根据成员的真实结构角色选择合适的策略，并解释原因。
- 推荐、推荐请求或赢回都是基于一个角色——一个中心、一个家庭、一种共同购买模式——而不是当场做出的临时猜测。
- 孤立成员被连接起来而不是被抛弃；中心被招募；社区被播种——原子视图无法区分这三种不同的策略。
- 每条边都标有“已声明”、“已推断”或“已导入”字样，并带有高/中/低置信区间，以便决策者能够衡量其背后关系的确定程度——推断的链接仅限操作员查看，可一键关闭。
将客户视为网络的完整案例——绘制会员图谱，解读其社群和中心，并通过规范的推荐和拥护来增强客户忠诚度。
这就是该层改进人工智能决策的方式。
如果没有关系和亲和力建模，用户群的定价就如同一个原子袋：推荐和口碑传播不可见且不受管理，核心成员和孤立成员被同等对待，推荐结果也仅取决于受欢迎程度。成员之间以及产品之间的关联会被临时重新计算，因此覆盖范围、家庭、影响力以及推荐结果都基于猜测而非真实关系。
推荐归因于确切的推荐人，而中心的粉丝群是一个可浏览的网络，而不是重置每个报告的标题数字。
策略可以根据结构角色来选择——招募中心、培育社群、连接孤立成员——而不是盲目地向并不存在的普通用户推送信息。
由于模型中包含家庭关系信息（通过保护隐私的指纹推断并置信区间），因此可以推断家庭级别的覆盖范围。
次佳产品推荐基于真实的共同购买模式，而非泛泛的受欢迎程度。
价值是可操作的，而不仅仅是技术的。
代理可以推理出谁与谁有联系、成员在网络中的位置以及购买了什么——因此推荐、推荐请求或赢回都是基于真实的结构角色（中心、家庭、共同购买模式），而不是为孤立的个人现场计算的临时相似性。
将会员基础建模为图表——节点是身份解析的成员，边是真实的、转换后的关系——而不是将每个客户视为孤立的原子。
在一个图上承载三种受管链接类型：已转换的推荐（主干）、大使到客户的链接以及可能的家庭成员链接——每个链接都带有来源标识和置信度。
读取结构，而不仅仅是点：社群、高影响力中心（天然影响者）和孤立成员（流失风险信号）都成为可定位的角色。
从真实的购物篮数据（例如共同购买组合和每个成员的类别偏好）中提取产品亲和力，从而根据真实模式而非通用流行度推荐最佳替代品。
将关系实体化到模型中，以便读取覆盖范围、家庭和中心逻辑，而不是在每次调用时临时重新推导。
此层负责什么
从原始商店读取订单和转换后的推荐记录；仅当推荐实际转化时才会产生优势，而不会因为仅发送或过期的邀请而产生优势。
构建多类型成员图——推荐、大使到客户以及可能的家庭关系——每个链接都标记为已声明/推断/导入，并带有高/中/低置信区间。
通过标签传播（保留中心辐射式子结构）检测社群，并根据实际推荐度对中心节点进行排名；孤立节点则被视为流失风险较高的集合。
为每个计划实体化每日确定性快照（过期时按需重建），以便相同的数据始终产生相同的结构。
从详细的订单明细中计算产品共同购买情况和每位成员的类别偏好，并将所有信息作为受控模型输出暴露给本体和推荐系统。