Référence des modèles prédictifs
La couche prédictive de Flash est une boîte de verre : douze modèles classiques et déterministes — aucun système de notation opaque. Chaque modèle est écrit en TypeScript pur, déterministe par construction (optimiseurs et planifications fixes, pas d'initialisation aléatoire, pas d'échantillonnage — les mêmes données produisent toujours le même modèle, donc une modification du score est toujours liée à une modification des données), réajusté chaque nuit pour chaque client à partir de ses propres données, et soumis à un contrôle d'honnêteté : en dessous du minimum d'historique réel spécifié pour chaque modèle, la sortie est NULL/absente — les interfaces ne renvoient rien plutôt qu'une estimation. Les prédictions classent et suggèrent ; L'exécution reste soumise aux approbations, plafonds et contrôles de consentement de la plateforme.
Cette page est la documentation technique détaillée pour chaque modèle : ce que chaque modèle calcule, sa méthode, ses entrées, ses sorties et leur destination, ses mécanismes de validation et les interfaces qui l'utilisent. Pour une présentation destinée aux entreprises, consultez la page produit Intelligence prédictive ; pour connaître les principes de gouvernance qui sous-tendent chaque modèle, consultez le guide Gouvernance de l'IA.
Quatre garanties, communes à tous les modèles
Déterministe par construction
Chaque modèle est écrit en TypeScript pur, avec des optimiseurs et des planifications fixes — aucune initialisation aléatoire, aucun échantillonnage. Les mêmes données produisent toujours le même modèle ; ainsi, toute modification de score est toujours liée à une modification des données.
Réaménagement quotidien par locataire
Chaque modèle est réaménagé chaque nuit à partir des propres données de ce locataire : son propre grand livre, ses propres envois, ses propres commandes. Pas de mutualisation entre locataires.
Sécurisé par l'honnêteté
En deçà du seuil minimal d'historique réel défini pour chaque modèle, la sortie est nulle/absente : les interfaces ne fournissent aucune information, se contentant d'une estimation. Chaque étape est répertoriée sur cette page.
Évaluer et suggérer, ne jamais exécuter
Les prédictions sont classées et font des suggestions ; l’exécution reste soumise aux approbations, plafonds et contrôles de consentement de la plateforme. Aucun modèle ne transfère d’argent ni ne contacte un membre de son propre chef.
Les douze modèles
- Risque de désabonnement et CLV sur 12 mois
- Date prévue du prochain achat
- Propension à cliquer
- Meilleur moment pour envoyer
- Optimisation automatique du trafic A/B
- Augmentation de la reconquête
- Similarité des articles (item-kNN)
- Règles d'association
- Similarité des profils similaires
- Détecteur de fraude basé sur les comportements atypiques
- Survie de rétention (KM + Cox)
- Perspectives de revenus (Holt-Winters)
1. Risque de désabonnement et CLV sur 12 mois
Pour chaque acheteur : la probabilité que le client ait discrètement abandonné son achat (churn_risk, 0–100) et les dépenses prévues au cours des douze prochains mois (predicted_clv_12m).
| Méthode | BG/NBD — un modèle de modèle d'achat de la famille Pareto de fréquence d'achat et d'abandon — combiné à un modèle de dépenses Gamma-Gamma. Les deux sont installés par équipe et par nuit, via le système déterministe Nelder-Mead. |
| Données | Le registre des achats (les transactions de points de l'équipe) est la source unique de l'historique d'achats de chaque membre. Seules les données provenant du registre du locataire sont prises en compte. |
| Résultats et leur destination | member_behavior_rollup Colonnes : churn_risk (0–100, calculé comme 100 × (1 − P(actif))), predicted_clv_12m (E[transactions répétées en 365 jours] × E[dépenses par transaction]) et predictive_confidence. |
| Mesures de transparence | Critères d'adéquation d'équipe : ≥ 200 acheteurs, ≥ 50 acheteurs réguliers, et convergence des deux critères. Gamma-Gamma exige en outre une moyenne de population finie ; sinon, la CLV est calculée à partir des dépenses moyennes du membre, considérées comme la base la moins performante. Critères d'adhésion : les non-acheteurs ne sont jamais pris en compte ; moins de 3 achats ou moins de 2 mois d'historique → NULL. |
| Surfaces de consommation | Perspectives prédictives du profil churn_risk et predicted_clv_12m Conditions de segmentation, classement de reconquête et cartes d'actions recommandées. |
2. Date prévue du prochain achat
Indiquez la date prévue du prochain achat de chaque membre et l'étendue de cette période. La date prévue peut être passée : il s'agit d'un signal de retard intentionnel et transparent, et non d'un bug.
| Méthode | Une vue Gamma par la méthode des moments des écarts entre les achats du membre. |
| Données | Le même SSOT (Site d'Extension des Points) pour les transactions gagnées que pour le churn/CLV (Valeur Vie Client) : les écarts observés par le membre entre ses propres achats. |
| Résultats et leur destination | next_order_expected_at (Peut être dans le passé = en retard) et next_order_window_days (± l'écart type de l'échantillon, minimum 1 jour). |
| Mesures de transparence | ≥ 3 écarts observés, coefficient de variation ≤ 1,5 (un rythme irrégulier est refusé, jamais estimé), et écart moyen ≥ 0,25 jour — sinon, NULL. |
| Surfaces de consommation | La vignette de profil et days_until_expected_order Condition du segment (négative = en retard ; l’audience de réapprovisionnement se situe « entre -14 et 3 »). |
3. Propension à cliquer
P(clic | envoi) pour chaque membre, exprimé comme suit : click_propensity sur une échelle de 0 à 100.
| Méthode | Régression logistique régularisée L2 par équipe au cours des 90 derniers jours d'envois, entraînée par descente de gradient déterministe par lots complets selon un calendrier fixe. L'étiquette correspond UNIQUEMENT aux clics : les ouvertures sont exclues car la prélecture MPP Apple les gonfle. Une protection contre les fuites garantit que la fonctionnalité de taux de clics antérieur de chaque envoi de formation exclut le propre résultat de cet envoi, et un générateur de fonctionnalités partagé sert à la fois la formation et la notation, de sorte que les lignes de formation et de notation ne peuvent pas s'écarter. |
| Données | Résultats des envois de l’équipe au cours des 90 derniers jours. |
| Résultats et leur destination | click_propensity (0–100) et plus propensity_computed_at. |
| Mesures de transparence | Critères d'intégration d'équipe : ≥ 500 envois, ≥ 30 clics, ≥ 50 membres différents. Critère d'adhésion de membre : ≥ 3 envois récents — sinon NULL. |
| Surfaces de consommation | La vignette de profil et click_propensity Condition du segment. |
4. Meilleur moment pour envoyer
Heure d'engagement préférée de chaque membre dans son fuseau horaire local, et recommandation d'heure pour l'ensemble de l'audience lors d'un envoi.
| Méthode | Histogramme des heures d'engagement par membre sur 90 jours, dans son fuseau horaire local : clics pondérés 3 fois par les ouvertures non-proxy, bots exclus, ouvertures proxy MPP Apple supprimées. L'heure privilégiée est le mode de lissage circulaire (les heures 23 et 0 sont voisines). |
| Données | 90 jours d'événements d'engagement du membre, mappés sur le fuseau horaire local du membre. |
| Résultats et leur destination | preferred_send_hour (0–23, local) plus send_timing_sampleLa recommandation d'audience correspond au mode de diffusion pendant les heures préférées de l'audience, avec un rapport incluant le nombre de vues. |
| Mesures de transparence | Un membre sans historique d'interactions valide n'a pas d'heure préférée. En cas d'absence de signal, l'application automatique conserve l'heure configurée pour l'appelant ; l'envoi d'un appel n'est jamais retardé silencieusement. |
| Surfaces de consommation | La fiche d’étape du planning, preferred_send_hour Condition de segmentation et application automatique via l'envoi API (optimizeSendTime), qui planifie la prochaine occurrence de l'heure recommandée. |
5. Optimisation automatique du trafic A/B
Répartition horaire des pondérations de diffusion entre les variantes d'expérimentation d'une campagne récurrente, à partir des performances de clics en temps réel.
| Méthode | Allocateur déterministe des clics en temps réel par variante : le CTR moyen a posteriori lissé par la fonction de Laplace est porté à une température donnée, puis normalisé au-dessus d'un seuil d'exploration de 10 % par bras. Il ne désigne jamais de vainqueur statistique ; ce verdict reste l'affaire du test A/B formel. |
| Données | Diffusion en direct et nombre de clics par variante pour la campagne. |
| Résultats et leur destination | La dernière allocation est superposée lors de l'envoi – la répartition configurée n'est jamais modifiée. Chaque recalcul horaire ajoute une ligne. bandit_allocations Journal des décisions avec les pondérations appliquées et une justification lisible par l'humain. |
| Mesures de transparence | Campagnes récurrentes uniquement (automatisation/parcours client), inscription requise pour chaque campagne. Le trafic reste réparti équitablement jusqu'à ce que chaque bras ait atteint au moins 100 envois ; aucune réallocation n'est effectuée en cas de données insuffisantes. |
| Surfaces de consommation | Superposition de pondération de l'heure d'envoi sur les campagnes récurrentes opt-in ; ajout uniquement bandit_allocations Le journal représente la surface d'audit. |
6. Augmentation de la reconquête
Par quels membres à risque l’agent de reconquête devrait-il intervenir en priorité ? – Un classement tenant compte de la persuasion, et non uniquement de la valeur à risque.
| Méthode | Régression logistique à deux modèles appliquée à l'expérience randomisée interne du programme : uplift(x) = P(convert | traité, x) − P(convert | témoin, x). Les bras par membre sont immuables ; conversion = ≥ 1 dans la fenêtre d'attribution. |
| Données | Mature winback_attribution Lignes. Les fonctionnalités proviennent de l'instantané de la tâche au moment de sa mise en file d'attente, s'il est disponible ; sinon, elles proviennent du cumul actuel (indiqué comme une approximation). |
| Résultats et leur destination | Clé de classement de la liste de travail : valeur à risque × gain. Les notifications négatives (ne pas déranger) sont reléguées au dernier rang, avec une priorité de 0. task.reason contient tous les calculs. |
| Mesures de transparence | ≥ 200 rangs traités arrivés à maturité, ≥ 50 rangs de test arrivés à maturité, ≥ 20 conversions, et les deux ajustements doivent converger ; sinon, le classement reste basé uniquement sur la valeur à risque. |
| Surfaces de consommation | SoClaw Classement des tâches de reconquête : la file d'attente classée dans laquelle l'agent récupère les tâches. |
La liste des tâches (attribution des tâches, leviers, achèvement) est documentée dans le guide d'intégration de reconquête SoClaw.
7. Similarité des articles (item-kNN)
Similitude produit à produit « Aussi acheté ».
| Méthode | Matérialisation nocturne des achats conjoints, évaluée par cooccurrence normalisée par cosinus : co_count / sqrt(buyers(A) × buyers(B)) — La normalisation corrige le biais de popularité. Données brutes co_count est conservé sous forme de colonne, comme preuve consultable. |
| Données | L'historique de co-achat du locataire : qui a acheté quoi ensemble. |
| Résultats et leur destination | Scores de similarité matérialisés entre paires d'articles, avec le nombre brut de cooccurrences stocké avec chaque score. |
| Mesures de transparence | Les paires ont besoin d’au moins 2 acheteurs partagés pour se matérialiser. Les valises fines ou froides reviennent aux meilleures ventes de catégorie, puis aux meilleures ventes mondiales ; les membres froids ne reçoivent rien à part des produits aléatoires. |
| Surfaces de consommation | Le bloc Recommandations par e-mail, le portail des membres et les API de recommandations publiques + v2. |
8. Règles d'association
Règles de vente croisée du type « les acheteurs de A achètent également B », avec support, confiance et lift.
| Méthode | Paires de produits au niveau de la commande analysées chaque nuit. Seuil : ≥ 3 paires de commandes et ≥ 5 % de confiance ; les 25 meilleures règles par antécédent sont conservées, classées par gain. |
| Données | Les lignes de commande du marchand. |
| Résultats et leur destination | catalog_association_rules Lignes contenant le support, la confiance et le lift, ainsi que les décomptes bruts dont elles sont issues (nombre de paires, d'ordres antécédents et conséquents) — chaque métrique est donc recalculable manuellement. |
| Mesures de transparence | ≥ 3 paires de commandes et ≥ 5 % de confiance — en dessous de ce seuil, aucune règle ne s'applique. |
| Surfaces de consommation | La carte d'action de vente croisée de profil : acheteurs actifs uniquement, à l'exclusion des produits déjà possédés. |
9. Similarité des profils similaires
Dans quelle mesure chaque membre de la base est similaire à un public cible initial, avec une analyse détaillée pour chaque membre expliquant pourquoi.
| Méthode | Centroïde Rocchio de la source : similarité cosinus des tags pondérée par l’IDF + distance numérique normalisée par Gower (RFM, nombre d’achats, récence), plus fusion de profils lorsque la source contient les données (correspondance du niveau de valeur, correspondance de la catégorie principale, proximité des perspectives de désabonnement). Les pondérations sont renormalisées sur les dimensions réellement présentes ; ainsi, une source sans données de profil est réduite à la correspondance du tag et du niveau numérique. |
| Données | Les tags, les données comportementales (RFM, nombre d'achats, date d'achat) et les champs de profil des membres initiaux sont comparés à la base de membres du locataire. |
| Résultats et leur destination | Scores de similarité par membre avec des ventilations par dimension qui alimentent le résumé « Pourquoi ils sont similaires ». |
| Mesures de transparence | Les petits projets voient leur audience diminuer et reçoivent un avertissement explicite plutôt que des scores encourageants. |
| Surfaces de consommation | Flux de recherche d'audiences similaires. Usage interne uniquement : les audiences similaires ne sont jamais importées sur les plateformes publicitaires. |
10. Détecteur de fraude basé sur les comportements atypiques
Déterminer si l'activité de points d'un membre sur 30 jours constitue une valeur aberrante par rapport à la distribution des membres de l'équipe.
| Méthode | Statistiques robustes par équipe sur l'activité des points pendant 30 jours : nombre de transactions, points gagnés, échanges sur le registre – médiane + MAD par fonctionnalité, z robuste = 0,6745 × (x − médiane) / MAD, signalement à z ≥ 6 ET ≥ 10 transactions. |
| Données | 30 jours d'activité de points pour l'équipe, par membre. |
| Résultats et leur destination | Gel des points restants du membre, plus fraud_points_hold Tâche de révision. Un drapeau bloque uniquement les points en attente de révision — il ne les annule jamais automatiquement. La charge utile contient la valeur par caractéristique / la médiane / la valeur z robuste. |
| Mesures de transparence | Les équipes de moins de 50 membres actifs sont ignorées (absence de point de référence pertinent) ; les fonctionnalités MAD = 0 sont ignorées ; les membres déjà inactifs ne sont jamais ajoutés ; la déduplication est effectuée par mois. |
| Surfaces de consommation | Liste de travail pour la vérification des fraudes aux points. |
Le processus de gel puis de verdict utilisé par ce détecteur (blocage, sémantique du verdict, contrôles d'administration) est documenté dans le guide de protection contre la fraude Points.
11. Survie de rétention (KM + Cox)
Courbes de rétention par cohorte d’inscription mensuelle et attributs des membres corrélés à la rétention.
| Méthode | Courbes de Kaplan-Meier de la limite de produit par cohorte d'inscription mensuelle ; le désabonnement est défini comme l'absence d'achat pendant 90 jours (délai de désabonnement = dernier achat + 90 jours), les acheteurs récents sont censurés à droite, les n'ayant jamais acheté sont exclus. Modèle de Cox à risques proportionnels via la vraisemblance partielle de Breslow, maximisé avec le même modèle déterministe de Nelder-Mead. |
| Données | Historique d'inscription et d'achats du client. |
| Résultats et leur destination | Courbes de survie des cohortes et ratios de risque de Cox présentés sous forme de phrases simples – avec des ratios compris entre 0,95 et 1,05 signalés comme « aucune différence significative », et tout est étiqueté corrélation et non causalité. |
| Mesures de transparence | Les cohortes doivent comporter au moins 30 membres ; les courbes ne s'extrapolent jamais au-delà de l'horizon observé d'une cohorte. L'ajustement de Cox est limité à 3 covariables, nécessite au moins 30 événements et renvoie null en cas de non-convergence. |
| Surfaces de consommation | La vue de la cohorte de rétention et son panneau de corrélats. |
12. Perspectives de revenus (Holt-Winters)
Prévisions de revenus quotidiens sur 14 jours avec une marge d’erreur réaliste.
| Méthode | Lissage exponentiel triple additif avec saisonnalité hebdomadaire m = 7 et constantes FIXES α = 0,3, β = 0,05, γ = 0,3 — l'auto-ajustement n'est pas un objectif délibéré — initialisé de manière déterministe à partir des deux premières saisons. |
| Données | Le volume brut de marchandises (GMV) quotidien est analysé via la couche sémantique des indicateurs certifiés (sans seconde agrégation) ; les jours manquants sont ramenés à 0 $ ; les zéros antérieurs à la première vente sont supprimés. |
| Résultats et leur destination | Une prévision à 14 jours, fixée à ≥0, avec une bande = erreur absolue moyenne à un pas dans l'échantillon × 1,5 (une base déclarée, et non un intervalle de confiance distributionnel). |
| Mesures de transparence | ≥28 jours d’historique non nul – sinon nul et rien ne s’affiche. |
| Surfaces de consommation | Perspectives de revenus du tableau de bord. |
Analyse des scores
Les scores des membres s'affichent sous forme de colonnes déroulantes et se déploient sur quatre surfaces, par ordre de portée croissante :
- Colonnes de cumul. Les refits nocturnes écrivent les scores par membre (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) sur le cumul de comportement des membres - NULL partout où une porte n'a pas été atteinte. - Conditions de segmentation. Six conditions prédictives ciblent les scores :
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_order, ainsi que des tags. Un membre dont le score est nul ne correspond jamais : les segments héritent des critères d’honnêteté. - Profil du membre API / données d’analyse. Les mêmes scores sont disponibles dans le profil du membre ; ainsi, ce qu’un intégrateur lit correspond exactement à ce qui est affiché sur la page de profil.
- MCP pour les agents. Les agents IA lisent les scores via
get_member_profilesur le serveur MCP géré — mêmes données, derrière les mêmes portées et la même gouvernance.
Pour en savoir plus sur ces fonctionnalités destinées aux entreprises, voir Intelligence prédictive ; pour les mécanismes d'approbation, les journaux de décision et le masquage des informations personnelles derrière chaque modèle, voir Gouvernance de l'IA : introspection et approbations.