工程參考

預測模型參考

Flash 的預測層是一個透明盒子：十二個經典的確定性模型－沒有黑盒評分。每個模型都完全使用 TypeScript 編寫，從構建上就具有確定性（固定的優化器和調度器，沒有隨機初始化，沒有採樣——相同的數據總是生成相同的模型，因此分數變化總是可以追溯到數據變化），每天晚上根據每個租戶自身的數據重新擬合，並且具有誠信門控：低於每個模型規定的最低真實歷史記錄，輸出為 NULL/猜測表面不渲染任何內容。預測結果會進行排名和建議；執行過程則受到平台的批准、限制和同意檢查的約束。

本頁面是每個模型的工程參考：每個模型的計算內容、方法、輸入、輸出及其結果的流向、誠信機制以及使用它的介面。有關以業務為導向的說明，請參閱預測智慧產品頁面；有關每個模型運作所依據的治理規則，請參閱AI 治理指南。

四項保障，所有機型均適用

基於建構的確定性

每個模型都是純 TypeScript 編寫，採用固定的優化器和調度——沒有隨機初始化，也沒有取樣。相同的數據始終產生相同的模型，因此分數變化始終對應於數據變化。

每晚根據租戶狀況進行調整

每個模型每天晚上都會根據租戶自己的資料進行改裝——它自己的分類帳、自己的發送、自己的訂單。沒有跨租戶池。

誠信門檻

低於每個模型規定的最低真實歷史記錄時，輸出為 NULL/缺失——介面不顯示任何內容，而是進行猜測。此頁面列出了所有門檻。

排名和建議，無需執行

預測結果會進行排名和建議；執行則需經過平台的核准、限額和使用者同意檢查。任何模型都不會自行轉移資金或聯繫會員。

1. 流失風險與 12 個月客戶生命週期價值 (CLV)

對於每位買家：客戶已悄悄流失的機率（churn_risk（0-100）以及未來十二個月的預期支出（predicted_clv_12m).

方法	BG/NBD——一個基於帕累托族的購買模式模型，用於描述購買頻率和流失率——並結合Gamma-Gamma支出模型。兩者皆透過確定性Nelder-Mead方法，依團隊、按晚進行擬合。
輸入	購買帳簿（團隊本身的積分賺取交易記錄）是每位會員購買歷史的唯一來源。租戶帳簿以外的任何資訊均不包含在內。
輸出及其應用	`member_behavior_rollup` 列： `churn_risk` (0–100，計算公式為 100 × (1 − P(alive)))， `predicted_clv_12m` (E[365 天內重複交易次數] × E[每次交易消費金額]) 和 `predictive_confidence`.
誠信驗證	團隊匹配度門檻：≥200 位買家，≥50 位回頭客，且兩個匹配度必須趨於一致。 Gamma-Gamma 模型也要求總體平均數有限－否則顧客生命週期價值 (CLV) 將退而求其次，採用會員自身平均消費額作為基準。會員門檻：非買家不計分；購買次數少於 3 次或歷史記錄少於 2 個月 → NULL。
消耗介面	該配置文件的預測展望， `churn_risk` 以及 `predicted_clv_12m` 細分條件、挽回排名和推薦操作卡。

2. 預計下次購買日期

預測每位會員的下次購買時間，以及該日期前後的時間範圍。預計日期可能已過——這是有意為之的、誠實的逾期提醒，並非錯誤。

方法	基於時刻表的伽瑪視圖，展現會員自身購買間隔。
輸入	同樣的積分賺取交易量（SSOT）指標，與流失率/客戶生命週期價值（CLV）指標類似－即會員觀察到的自身購買間隔。
輸出及其應用	`next_order_expected_at` （可能已過期 = 已過期）和 `next_order_window_days` （± 樣本標準差，至少 1 天）。
誠信驗證	≥3 次觀察到的差距，變異係數 ≤1.5（不規則的節奏將被拒絕，絕不猜測），且平均差距 ≥0.25 天－否則為 NULL。
消耗介面	個人資料板塊和 `days_until_expected_order` 細分條件（負值 = 逾期；補貨受眾範圍為「-14 至 3」之間）。

3. 點擊傾向

每位會員的點擊/發送機率 (P(click | send))，表示為 click_propensity 評分範圍：0-100

方法	在過去 90 天的發送中，按團隊進行 L2 正則化邏輯回歸，並按固定計劃透過確定性全批次梯度下降進行訓練。該標籤僅是點擊 — 打開被排除在外，因為 Apple MPP 預取會使它們膨脹。洩漏防護確保每個訓練發送的先前點擊率功能排除該發送自己的結果，並且一個共享功能構建器同時服務於訓練和評分，因此訓練和評分行不會分開。
輸入	團隊過去 90 天的發送效果。
輸出及其應用	`click_propensity` (0-100) 以上 `propensity_computed_at`.
誠信驗證	團隊配對門檻：≥500次發送，≥30次點擊，≥50名不同成員。成員門檻：≥3次近期發送－否則為NULL。
消耗介面	個人資料板塊和 `click_propensity` 細分市場條件。

4. 最佳發送時間

每位會員在其本地時區的首選互動時間，以及針對整個行銷活動的受眾級互動時間建議。

方法	以會員本地時區為基準，繪製每位會員 90 天內的互動時長直方圖：點擊量加權 3 倍（非代理開啟），已排除機器人，並剔除 Apple MPP 代理程式開啟。首選小時數為圓形平滑模式（第 23 小時和第 0 小時相鄰）。
輸入	會員本身90天的互動事件，已映射到會員的本地時區。
輸出及其應用	`preferred_send_hour` (0-23，本地) 以及 `send_timing_sample`受眾推薦是基於受眾偏好時段的模式，並附有覆蓋率統計。
誠信驗證	沒有有效互動記錄的會員沒有首選時間。當自動應用未偵測到訊號時，它會保留呼叫者配置的時間－絕不會靜默延遲發送。
消耗介面	日程安排步驟卡， `preferred_send_hour` 細分條件，並透過發送自動應用 API (`optimizeSendTime`)，用於安排下次推薦時段的出現時間。

5. A/B流量自動優化

根據即時點擊效果，在循環廣告系列的實驗變體中，按小時分配投放權重。

方法	基於即時每個變體點擊量的確定性分配器：將拉普拉斯平滑的後驗均值點擊率提升至一定溫度，然後歸一化至高於 10% 的單臂探索閾值。它從不宣布統計意義上的贏家——這仍然是單獨的正式 A/B 測試結果。
輸入	即時查看各變體在活動中的投放量和點擊量。
輸出及其應用	最新分配會在發送時覆蓋－配置的拆分永遠不會改變。每小時重新計算一次，並在清單中新增一行。 `bandit_allocations` 包含權重和易於理解的決策邏輯的決策日誌。
誠信驗證	僅限週期性活動（自動化/旅程式），每次活動需選擇加入。流量保持平均分配，直到每個分支的投放次數達到≥100次——不會在數據不足的情況下重新分配流量。
消耗介面	在已選擇加入的循環行銷活動中，發送時間權重疊加；僅附加 `bandit_allocations` 日誌是審計介面。

6. 贏回提升

挽回代理商應該優先關注哪些有流失風險的會員——基於可說服性而非僅僅是風險價值的排名。

方法	基於專案本身隨機對照實驗的雙模型邏輯提升：uplift(x) = P(轉換 \| 處理組, x) − P(轉換 \| 對照組, x)。每個成員的分組不可更改；轉換率 = 歸因視窗中 ≥1 個訂單。
輸入	成熟 `winback_attribution` 行。特徵資料來自任務入隊時的快照（如有），否則來自目前總計資料（為近似值）。
輸出及其應用	工作清單排名鍵 = 風險價值 × 提升值。負提升值（請勿打擾）會降至底部，優先順序降至 0。 `task.reason` 包含完整的算術運算。
誠信驗證	≥200個成熟的處理行，≥50個成熟的保留行，≥20次轉化，兩個指標必須一致－否則排名將僅基於風險價值。
消耗介面	SoClaw客戶挽回工作清單排序－代理商從中領取任務的排名佇列。

工作清單本身（包括認領任務、權限和完成情況）已在 SoClaw 挽回整合指南中進行了說明。

7. 項目相似度（項目-kNN)

「也購買了」產品之間的相似性。

方法	基於餘弦歸一化共現性評分的夜間共同購買行為發生： `co_count / sqrt(buyers(A) × buyers(B))` — 標準化處理可以修正受歡迎程度偏差。原始數據 `co_count` 作為一列保存，作為可查閱的證據。
輸入	租戶自己的共同購買歷史—誰一起購買了什麼。
輸出及其應用	物化的項目對相似度得分，每個得分都儲存有原始共現次數。
誠信驗證	配對需要 ≥2 個共同買家才能實現。薄箱或冷箱回落至品類暢銷品，然後是全球暢銷品；冷酷的會員除了隨機產品之外什麼也得不到。
消耗介面	電子郵件推薦模組、會員入口網站和公共 + v2 推薦 API。

8. 關聯規則

「A 的買家也購買 B」形式的交叉銷售規則具有支持、信心和提升。

方法	每晚挖掘訂單等級的商品對。門檻：≥3 個訂單對且信賴度≥5%；保留每個前提條件的前 25 個規則，並依提升度排序。
輸入	商家的訂單行
輸出及其應用	`catalog_association_rules` 包含支持度/置信度/提升度的行，以及它們所源自的原始計數（配對、前件和後件的訂單計數）——因此每個指標都可以手動重新計算。
誠信驗證	≥3 個配對順序且信賴度≥5%－低於此條件，則無規則適用。
消耗介面	個人資料交叉銷售行動卡 - 僅限活躍買家，不包括已擁有的產品。

9. 相似度分析

分析每位基礎使用者與種子受眾的相似度，並逐一分析原因。

方法	種子 → Rocchio 質心：IDF 加權標籤餘弦相似度 + Gower 歸一化數值距離（RFM、購買次數、最近購買時間），加上種子數據包含時的用戶畫像融合——價值層匹配、主要類別匹配、流失率與前景接近度——權重根據實際存在的維度重新歸一化——價值層匹配、主要類別匹配、流失率與前景接近度——權重根據實際存在的維度重新歸一化，因此，不包含數字值的種子數字。
輸入	將種子會員的標籤、數值行為（RFM、購買次數、最近一次購買時間）和個人資料欄位與租戶本身的會員庫進行配對。
輸出及其應用	基於每位會員的相似度得分，並按維度進行細分，從而產生「相似原因」摘要。
誠信驗證	小種子使用者會受到縮水處理，並收到明確的警告，而不是獲得可靠的評分。
消耗介面	尋找相似受眾流程。僅限內部使用－相似受眾絕不會上傳到廣告平台。

10. 行為異常詐欺偵測器

會員30天積分活動是否與團隊本身的會員分佈有顯著的統計差異？

方法	基於團隊的 30 天積分活動統計資料－包括賺取交易次數、已賺取積分和帳本兌換次數－每個功能的中位數 + MAD，穩健 z 值 = 0.6745 × (x − 中位數) / MAD，z ≥ 6 且賺取交易次數 ≥ 10 時發出標記。
輸入	團隊成員 30 天的積分活動記錄。
輸出及其應用	凍結會員現有積分，以及 `fraud_points_hold` 審核任務。標記僅凍結待審核的分數－它不會自動失效。有效載荷包含每個特徵值/中位數/穩健 Z 值的原因。
誠信驗證	活躍成員少於 50 人的團隊將被完全跳過（沒有有意義的基線）；MAD = 0 的功能將被跳過；已凍結的成員不會被添加到數據中；去重數據按月分組。
消耗介面	積分詐欺審核工作清單。

此偵測器所支援的「凍結後判定」流程（包括保留、判定語意和管理控制）已在積分詐欺防護指南中進行了詳細說明。

11. 保留存活率（KM + Cox）

按月註冊用戶群劃分的留存曲線，以及哪些會員屬性與留存率相關。

方法	基於每月註冊用戶群的Kaplan-Meier產品限額曲線；流失事件定義為90天內未購買（流失時間 = 上次購買時間 + 90天），近期購買者資料被右刪失，從未購買者資料被排除在外。使用 Breslow 偏似然函數的 Cox 比例風險模型，並採用相同的確定性 Nelder-Mead 演算法進行最大化。
輸入	租戶本身的註冊和購買歷史記錄。
輸出及其應用	隊列生存曲線和 Cox 風險比呈現為簡單的句子 - 比率在 0.95 到 1.05 之間報告為“沒有有意義的差異”，所有內容都標記為相關性，而不是因果關係。
誠信驗證	隊列需要至少 30 名成員；曲線永遠不會外推超出隊列的觀察範圍。 Cox 擬合最多使用 3 個協變量，需要至少 30 個事件，並且在未收斂時傳回 null。
消耗介面	保留隊列視圖及其相關面板。

12. 收入展望（霍爾特-溫特斯）

包含合理誤差範圍的14天每日收入預測。

方法	採用加性三重指數平滑法，每週季節性 m = 7，固定常數 α = 0.3、β = 0.05、γ = 0.3 — 自適應調整並非目標 — 由前兩個季度確定性初始化。
輸入	每日透過認證指標語意層讀取GMV（無需二次聚合）；缺失天數已清除；首筆銷售前的零值已剔除。
輸出及其應用	14 天預測，箝制值 ≥0，帶 = 樣本內平均絕對單步誤差 × 1.5（已聲明的基準，而非分佈信賴區間）。
誠信驗證	至少 28 天的非零歷史記錄－否則null，且不會顯示任何內容。
消耗介面	儀錶板收入展望。

使用評分

會員等級評分以滾動列的形式呈現，並按覆蓋範圍遞增的順序從四個表面向外展開：

匯總列。 夜間修改將每個成員的分數（churn_risk、predicted_clv_12m、click_propensity、preferred_send_hour、next_order_expected_at ...）寫入成員行為匯總 - 只要未滿足門控，則為 NULL。
細分條件。 六個預測條件針對以下分數：churn_risk、predicted_clv_12m、preferred_send_hour、click_propensity、days_until_expected_order，以及標籤。得分為 NULL 的成員永遠不會匹配——細分市場繼承了誠信門控機制。
會員資料 API / 洞察酬載。 會員資料讀取介面會顯示相同的分數，因此整合商讀取的內容與資料頁面顯示的內容完全一致。
MCP 用於代理。 人工智慧代理透過受管理 MCP 伺服器上的 get_member_profile 讀取分數——相同的數據，相同的範圍和治理。

如需了解這些功能的業務應用，請參閱預測智能；如需了解每個模型背後的審批機制、決策日誌和個人識別資訊 (PII) 屏蔽，請參閱人工智慧治理：自省與批准。

預測智能概述 AI 治理指南 MCP 整合指南 SoClaw 挽回集成積分詐欺保護返回開發者中心