การอ้างอิงโมเดลการคาดการณ์
เลเยอร์การทำนายของ Flash คือ กล่องแก้ว: โมเดลคลาสสิกที่กำหนดไว้ 12 แบบ โดยไม่มีการให้คะแนนแบบกล่องดำ ทุกรุ่นเป็น TypeScript ล้วนๆ กำหนดโดยการก่อสร้าง (เครื่องมือเพิ่มประสิทธิภาพและกำหนดเวลาคงที่ ไม่มีการเริ่มต้นแบบสุ่ม ไม่มีการสุ่มตัวอย่าง - ข้อมูลเดียวกันจะสร้างแบบจำลองเดียวกันเสมอ ดังนั้นการเปลี่ยนแปลงคะแนนจะติดตามการเปลี่ยนแปลงข้อมูลเสมอ) ปรับใหม่ต่อผู้เช่าทุกคืนจากข้อมูลของผู้เช่านั้นเอง และปิดล้อมด้วยความซื่อสัตย์: ต่ำกว่าประวัติจริงขั้นต่ำที่ระบุไว้ของแต่ละรุ่น ผลลัพธ์จะเป็น NULL/ขาดหายไป - พื้นผิวไม่แสดงผลอะไรเลยนอกจากการเดา การคาดการณ์จัดอันดับและแนะนำ; การดำเนินการอยู่เบื้องหลังการอนุมัติ ขีดจำกัด และการตรวจสอบความยินยอมของแพลตฟอร์ม
หน้านี้เป็นแหล่งอ้างอิงทางวิศวกรรมต่อรุ่น: สิ่งที่แต่ละรุ่นคำนวณ วิธีการ อินพุต เอาท์พุตและตำแหน่งที่ลงจอด ประตูความเที่ยงตรงของโมเดล และพื้นผิวที่ใช้โมเดลดังกล่าว สำหรับเรื่องราวที่เกี่ยวข้องกับธุรกิจ โปรดดูที่ หน้าผลิตภัณฑ์ Predictive Intelligence; สำหรับรางควบคุมที่ทุกรุ่นวิ่งตาม โปรดดู คู่มือการกำกับดูแล AI
การรับประกันสี่ประการ แบ่งปันโดยทุกรุ่น
กำหนดโดยการก่อสร้าง
ทุกรุ่นเป็น TypeScript ล้วนๆ พร้อมเครื่องมือเพิ่มประสิทธิภาพและกำหนดเวลาคงที่ ไม่มีการเริ่มต้นแบบสุ่ม ไม่มีการสุ่มตัวอย่าง ข้อมูลเดียวกันจะสร้างแบบจำลองเดียวกันเสมอ ดังนั้นการเปลี่ยนแปลงคะแนนจะติดตามการเปลี่ยนแปลงข้อมูลเสมอ
ปรับใหม่ทุกคืนต่อผู้เช่า
แต่ละโมเดลจะได้รับการปรับปรุงใหม่ทุกคืนจากข้อมูลของผู้เช่านั้น - บัญชีแยกประเภทของตัวเอง การส่งของตัวเอง และคำสั่งซื้อของตัวเอง ไม่มีการรวมกลุ่มระหว่างผู้เช่า
ความซื่อสัตย์รั้วรอบขอบชิด
ต่ำกว่าประวัติจริงขั้นต่ำที่ระบุไว้ของแต่ละโมเดล ผลลัพธ์จะเป็น NULL/ไม่มีอยู่ — พื้นผิวจะไม่แสดงอะไรเลยนอกจากเป็นการคาดเดา ทุกเกตจะแสดงอยู่ในหน้านี้
จัดอันดับและแนะนำ อย่าดำเนินการเอง
การคาดการณ์จัดอันดับและแนะนำ; การดำเนินการอยู่เบื้องหลังการอนุมัติ ขีดจำกัด และการตรวจสอบความยินยอมของแพลตฟอร์ม ไม่มีโมเดลคนใดที่จะโอนเงินหรือติดต่อกับสมาชิกด้วยตัวเอง
ทั้งสิบสองรุ่น
- ความเสี่ยงในการเลิกใช้งาน & CLV 12 เดือน
- คาดว่าจะซื้อวันถัดไป
- ความโน้มเอียงในการคลิก
- เวลาที่ดีที่สุดในการส่ง
- การเพิ่มประสิทธิภาพการรับส่งข้อมูล A/B อัตโนมัติ
- ยกระดับการชนะกลับ
- ความคล้ายคลึงของรายการ (item-kNN)
- กฎสมาคม
- มีความคล้ายคลึงกัน
- ตัวตรวจจับการฉ้อโกงพฤติกรรมผิดปกติ
- การอยู่รอดของการเก็บรักษา (KM + Cox)
- แนวโน้มรายได้ (โฮลท์-วินเทอร์)
1. ความเสี่ยงในการเลิกใช้งาน & CLV 12 เดือน
สำหรับผู้ซื้อทุกราย: ความน่าจะเป็นที่ลูกค้าจะยกเลิกการซื้อโดยไม่แจ้งให้ทราบ (churn_risk, 0–100) และค่าใช้จ่ายที่คาดว่าจะเกิดขึ้นในอีกสิบสองเดือนข้างหน้า (predicted_clv_12m).
| วิธี | BG/NBD — รูปแบบการซื้อของกลุ่ม Pareto ของความถี่ในการซื้อและการออกจากกลางคัน — รวมกับรูปแบบการใช้จ่ายแกมม่า-แกมมา ทั้งสองชุดได้รับการติดตั้งต่อทีม ต่อคืน โดยผ่าน Nelder-Mead ตามที่กำหนด |
| อินพุต | บัญชีแยกประเภทการซื้อ - ธุรกรรมการรับคะแนนของทีมเอง - เป็นแหล่งที่มาเดียวของประวัติการซื้อของสมาชิกแต่ละคน ไม่มีสิ่งใดนอกบัญชีแยกประเภทของผู้เช่า |
| ผลลัพธ์และปลายทาง | member_behavior_rollup คอลัมน์: churn_risk (0–100 คำนวณจาก 100 × (1 − P(alive))), predicted_clv_12m (E[จำนวนธุรกรรมซ้ำใน 365 วัน] × E[ค่าใช้จ่ายต่อธุรกรรม]) และ predictive_confidence. |
| ประตูแห่งความซื่อสัตย์ | ประตูเข้าทีม: ผู้ซื้อ ≥200 ราย ผู้ซื้อซ้ำ ≥50 ราย และผู้ซื้อทั้งสองรายต้องมาบรรจบกัน นอกจากนี้ แกมมา-แกมมายังต้องการค่าเฉลี่ยประชากรที่มีจำกัด มิฉะนั้น CLV จะลดลงกลับไปอยู่ที่การใช้จ่ายเฉลี่ยของสมาชิก โดยระบุว่าเป็นพื้นฐานที่อ่อนกว่า ประตูสมาชิก: ผู้ที่ไม่ใช่ผู้ซื้อจะไม่ได้รับคะแนน การซื้อน้อยกว่า 3 ครั้งหรือประวัติต่ำกว่า 2 เดือน → NULL |
| พื้นผิวการบริโภค | มุมมองการคาดการณ์ของโปรไฟล์ churn_risk และ predicted_clv_12m เงื่อนไขกลุ่มเป้าหมาย การจัดอันดับการดึงลูกค้ากลับ และการ์ดแนะนำการดำเนินการ |
2. คาดว่าจะซื้อวันถัดไป
คาดการณ์การซื้อครั้งต่อไปของสมาชิกแต่ละราย และช่วงเวลาโดยรอบวันที่นั้นกว้างแค่ไหน วันที่คาดการณ์อาจอยู่ในอดีต — นั่นเป็นสัญญาณที่ตั้งใจและซื่อสัตย์ว่าเลยกำหนด ไม่ใช่ข้อผิดพลาด
| วิธี | มุมมอง Gamma แบบ Method-of-Moments ของช่องว่างระหว่างการซื้อของสมาชิกแต่ละราย |
| อินพุต | SSOT การรับ-ธุรกรรมแบบเดียวกับ churn/CLV — ช่องว่างที่สังเกตได้ของสมาชิกระหว่างการซื้อของตนเอง |
| ผลลัพธ์และปลายทาง | next_order_expected_at (อาจอยู่ในอดีต = ค้างชำระ) และ next_order_window_days (± ค่าเบี่ยงเบนมาตรฐานของตัวอย่าง ขั้นต่ำ 1 วัน) |
| ประตูแห่งความซื่อสัตย์ | ≥3ช่องว่างที่สังเกตได้ สัมประสิทธิ์การเปลี่ยนแปลง ≤1.5 (จังหวะที่ผิดปกติถูกปฏิเสธ ไม่เคยคาดเดา) และช่องว่างเฉลี่ย ≥0.25 วัน — มิฉะนั้นจะเป็นโมฆะ |
| พื้นผิวการบริโภค | ไทล์โปรไฟล์และ days_until_expected_order เงื่อนไขของกลุ่มเป้าหมาย (ค่าลบ = เกินกำหนด; กลุ่มเป้าหมายสำหรับการเติมเงินคือ “ระหว่าง −14 ถึง 3”) |
3. ความโน้มเอียงในการคลิก
P(คลิก | ส่ง) สำหรับสมาชิกแต่ละคน แสดงเป็น click_propensity ในระดับ 0–100
| วิธี | การถดถอยโลจิสติก L2 ที่สม่ำเสมอต่อทีมในช่วง 90 วันที่ผ่านมาของการส่ง ฝึกฝนโดยการไล่ระดับแบบไล่ระดับแบบเต็มชุดที่กำหนดตามกำหนดเวลาที่แน่นอน ป้ายกำกับเป็นแบบคลิกเท่านั้น การเปิดจะถูกแยกออกเนื่องจากการดึงข้อมูล MPP ล่วงหน้า Apple ขยายส่วนขยายเหล่านั้น ตัวป้องกันการรั่วไหลช่วยให้แน่ใจว่าฟีเจอร์อัตราการคลิกก่อนหน้าของการส่งการฝึกแต่ละรายการไม่รวมผลลัพธ์ของการส่งนั้นเอง และตัวสร้างฟีเจอร์ที่ใช้ร่วมกันหนึ่งตัวทำหน้าที่ทั้งการฝึกและการให้คะแนน ดังนั้นแถวการฝึกและการให้คะแนนจะไม่แยกออกจากกัน |
| อินพุต | ผลลัพธ์การส่งข้อความในช่วง 90 วันที่ผ่านมาของทีมเอง |
| ผลลัพธ์และปลายทาง | click_propensity (0–100) บวก propensity_computed_at. |
| ประตูแห่งความซื่อสัตย์ | ประตูเข้าทีม: ≥500 ส่ง, ≥30คลิก, ≥50สมาชิกที่แตกต่างกัน ประตูสมาชิก: ≥3การส่งล่าสุด - มิฉะนั้นจะเป็นโมฆะ |
| พื้นผิวการบริโภค | ไทล์โปรไฟล์และ click_propensity เงื่อนไขกลุ่มเป้าหมาย |
4. เวลาที่ดีที่สุดในการส่ง
ชั่วโมงการมีส่วนร่วมที่ต้องการของสมาชิกแต่ละคนในเขตเวลาท้องถิ่นของตนเอง และชั่วโมงแนะนำระดับผู้ชมสำหรับการส่งทั้งหมด
| วิธี | ฮิสโตแกรมชั่วโมงการมีส่วนร่วมต่อสมาชิกหนึ่งรายในช่วง 90 วัน ในเขตเวลาท้องถิ่นของสมาชิก: การคลิกที่ถ่วงน้ำหนัก 3 × การเปิดที่ไม่ใช่พร็อกซี ยกเว้นบอท Apple การเปิดพร็อกซี MPP ลดลง ชั่วโมงที่ต้องการคือโหมดปรับให้เรียบเป็นวงกลม (ชั่วโมง 23 และชั่วโมง 0 อยู่ใกล้เคียงกัน) |
| อินพุต | กิจกรรมการมีส่วนร่วมของสมาชิก 90 วัน ซึ่งแมปกับเขตเวลาท้องถิ่นของสมาชิก |
| ผลลัพธ์และปลายทาง | preferred_send_hour (0–23, ท้องถิ่น) บวก send_timing_sampleคำแนะนำสำหรับกลุ่มเป้าหมายคือโหมดในช่วงเวลาที่กลุ่มเป้าหมายต้องการ โดยรายงานพร้อมจำนวนการครอบคลุม |
| ประตูแห่งความซื่อสัตย์ | สมาชิกที่ไม่มีประวัติการมีส่วนร่วมตามคุณสมบัติจะไม่มีเวลาที่ต้องการ เมื่อการใช้อัตโนมัติไม่พบสัญญาณ ระบบจะเก็บเวลาที่ผู้โทรกำหนดไว้ — โดยจะไม่ทำให้การส่งล่าช้าอย่างเงียบๆ |
| พื้นผิวการบริโภค | การ์ดขั้นตอนกำหนดการ preferred_send_hour เงื่อนไขส่วน และการใช้งานอัตโนมัติผ่านการส่ง API (optimizeSendTime) ซึ่งกำหนดเวลาการใช้งานครั้งต่อไปของชั่วโมงที่แนะนำ |
5. การเพิ่มประสิทธิภาพการรับส่งข้อมูล A/B อัตโนมัติ
การจัดสรรน้ำหนักการนำส่งรายชั่วโมงสำหรับรูปแบบการทดสอบของแคมเปญที่เกิดซ้ำ จากประสิทธิภาพการคลิกแบบเรียลไทม์
| วิธี | ตัวจัดสรรแบบกำหนดได้เหนือการคลิกแบบเรียลไทม์ต่อตัวแปร: CTR เฉลี่ยภายหลังที่ปรับเรียบด้วย Laplace จะถูกยกขึ้นไปที่อุณหภูมิหนึ่ง จากนั้นปรับให้เป็นมาตรฐานเหนือระดับการสำรวจ 10% ต่อแขน มันจะไม่ประกาศผู้ชนะทางสถิติ — นั่นยังคงเป็นการตัดสิน A/B อย่างเป็นทางการแยกต่างหาก |
| อินพุต | การแสดงโฆษณาแบบสดต่อตัวแปรและจำนวนคลิกสำหรับแคมเปญ |
| ผลลัพธ์และปลายทาง | การจัดสรรล่าสุดจะถูกซ้อนทับในเวลาส่ง — การแบ่งที่กำหนดค่าไว้จะไม่เปลี่ยนแปลง การคำนวณใหม่ทุกชั่วโมงจะเพิ่มหนึ่งแถวลงใน bandit_allocations บันทึกการตัดสินใจพร้อมน้ำหนักที่ใช้และเหตุผลที่มนุษย์อ่านได้ |
| ประตูแห่งความซื่อสัตย์ | แคมเปญที่เกิดซ้ำเท่านั้น (อัตโนมัติ/การเดินทาง) เลือกใช้ต่อแคมเปญ การรับส่งข้อมูลจะแยกเท่าๆ กันจนกว่าทุกแขนงจะมีการส่งมอบ ≥100 ครั้ง — ไม่มีการจัดสรรใหม่สำหรับข้อมูลขนาดเล็ก |
| พื้นผิวการบริโภค | การซ้อนทับน้ำหนักเวลาส่งในแคมเปญที่เกิดขึ้นซ้ำซึ่งสมัครรับข้อมูลแล้ว การเพิ่มเท่านั้น bandit_allocations บันทึกคือพื้นผิวการตรวจสอบ |
6. ยกระดับการชนะกลับ
สมาชิกที่มีความเสี่ยงคนใดที่ตัวแทนแบบ win-back ควรทำงานเป็นลำดับแรก ซึ่งเป็นระดับที่ตระหนักถึงความสามารถในการโน้มน้าวใจ ไม่ใช่แค่ให้ความสำคัญกับความเสี่ยงเท่านั้น
| วิธี | การเพิ่มขึ้นแบบโลจิสติกส์สองโมเดลในการทดลองแบบสุ่มของโปรแกรมเอง: uplift(x) = P(convert | treated, x) − P(convert | holdout, x) ส่วนต่อสมาชิกไม่สามารถเปลี่ยนแปลงได้ การแปลง = ≥1 คำสั่งซื้อในหน้าต่างการระบุแหล่งที่มา |
| อินพุต | เติบโตเต็มที่ winback_attribution แถว คุณสมบัติจะมาจากภาพรวมเวลาที่งานอยู่ในคิว หากมีอยู่ มิฉะนั้นจะมาจากข้อมูลสรุปปัจจุบัน (ระบุเป็นค่าประมาณ) |
| ผลลัพธ์และปลายทาง | คีย์การจัดอันดับรายการงาน = มูลค่าความเสี่ยง × การยกระดับ การยกระดับเชิงลบ (ห้ามรบกวน) จะจมลงไปด้านล่าง โดยมีลำดับความสำคัญที่ 0 task.reason คำนวณทางคณิตศาสตร์อย่างครบถ้วน |
| ประตูแห่งความซื่อสัตย์ | ต้องมีแถวที่ผ่านการประมวลผลอย่างน้อย 200 แถว แถวทดสอบอย่างน้อย 50 แถว การแปลงอย่างน้อย 20 ครั้ง และทั้งสองเงื่อนไขต้องบรรจบกัน มิฉะนั้น การจัดอันดับจะยังคงเป็นเพียงการประเมินความเสี่ยงด้านมูลค่าเท่านั้น |
| พื้นผิวการบริโภค | SoClaw การจัดลำดับรายการงานที่ตัวแทนเรียกคืน — คิวที่จัดอันดับซึ่งตัวแทนจะเรียกรับงานจากนั้น |
รายการงาน — การอ้างสิทธิ์งาน, การยกระดับ, การทำให้เสร็จสมบูรณ์ — ได้รับการบันทึกไว้ใน SoClaw คู่มือการรวม Win-Back
7. ความคล้ายคลึงของรายการ (item-kNN)
ความคล้ายคลึงกันระหว่างผลิตภัณฑ์ต่อผลิตภัณฑ์ "ซื้อด้วย"
| วิธี | การเกิดขึ้นของการซื้อร่วมกันในแต่ละคืนที่ให้คะแนนโดยการเกิดขึ้นร่วมกันที่ปรับค่าโคไซน์: co_count / sqrt(buyers(A) × buyers(B)) — การทำให้เป็นมาตรฐานจะแก้ไขอคติด้านความนิยม ข้อมูลดิบ co_count เก็บไว้เป็นคอลัมน์ เพื่อเป็นหลักฐานที่ตรวจสอบได้ |
| อินพุต | ประวัติการซื้อร่วมของผู้เช่า — ใครซื้ออะไรร่วมกัน |
| ผลลัพธ์และปลายทาง | คะแนนความคล้ายคลึงกันของรายการ-คู่ที่เป็นรูปธรรม โดยจัดเก็บจำนวนการเกิดร่วมแบบ Raw ไว้ข้างๆ แต่ละคะแนน |
| ประตูแห่งความซื่อสัตย์ | คู่สกุลเงินต้องมีผู้ซื้อร่วมกัน ≥2 รายจึงจะบรรลุผล เคสแบบบางหรือแบบเย็นจะจัดอยู่ในหมวดหมู่สินค้าขายดี จากนั้นเป็นสินค้าขายดีระดับโลก สมาชิกเย็นจะไม่ได้รับอะไรเลยนอกจากผลิตภัณฑ์แบบสุ่ม |
| พื้นผิวการบริโภค | ส่วนแนะนำอีเมล พอร์ทัลสมาชิก และ API แนะนำสาธารณะ + เวอร์ชัน 2 |
8. กฎสมาคม
กฎการซื้อต่อเนื่องในรูปแบบ "ผู้ซื้อ A ก็ซื้อ B" พร้อมการสนับสนุน ความมั่นใจ และการยกระดับ
| วิธี | คู่ผลิตภัณฑ์ระดับคำสั่งซื้อจะถูกขุดทุกคืน เกณฑ์: ≥3คู่คำสั่งซื้อและความมั่นใจ≥5%; กฎ 25 อันดับแรกต่อรายการก่อนหน้าจะถูกเก็บไว้ โดยจัดอันดับตามการเพิ่ม |
| อินพุต | รายการสั่งซื้อของร้านค้าเอง |
| ผลลัพธ์และปลายทาง | catalog_association_rules แถวที่แสดงถึงการสนับสนุน/ความเชื่อมั่น/การยกตัว รวมถึงจำนวนดิบที่ได้มา (จำนวนคู่ จำนวนก่อนหน้า และจำนวนตามหลัง) — ดังนั้นทุกตัวชี้วัดจึงสามารถคำนวณใหม่ได้ด้วยมือ |
| ประตูแห่งความซื่อสัตย์ | คำสั่งซื้อคู่ ≥3 และความเชื่อมั่น ≥5% - ต่ำกว่านั้นไม่มีกฎเกณฑ์ |
| พื้นผิวการบริโภค | การ์ดการดำเนินการขายต่อเนื่องของโปรไฟล์ — ผู้ซื้อที่ใช้งานอยู่เท่านั้น โดยไม่รวมผลิตภัณฑ์ที่เป็นเจ้าของอยู่แล้ว |
9. มีความคล้ายคลึงกัน
สมาชิกทุกคนในฐานมีความคล้ายคลึงกับผู้ชมตั้งต้นมากน้อยเพียงใด โดยมีรายละเอียดว่าทำไมต่อสมาชิก
| วิธี | Seed → Rocchio centroid: ความคล้ายคลึงของโคไซน์แท็กที่ถ่วงน้ำหนักด้วย IDF + ระยะทางเชิงตัวเลขที่ปรับค่ามาตรฐานด้วย Gower (RFM, จำนวนการซื้อ, ความใหม่) บวกกับการรวมโปรไฟล์เมื่อ seed มีข้อมูล — การจับคู่ระดับมูลค่า, การจับคู่หมวดหมู่หลัก, ความใกล้เคียงของแนวโน้มการเลิกใช้บริการ — โดยมีการปรับค่าถ่วงน้ำหนักใหม่ตามมิติที่มีอยู่จริง ดังนั้น seed ที่ไม่มีข้อมูลโปรไฟล์จะลดระดับลงเหลือเพียงแท็ก + ระดับตัวเลข |
| อินพุต | แท็กของสมาชิกตั้งต้น พฤติกรรมที่เป็นตัวเลข (RFM จำนวนการซื้อ ความใหม่) และฟิลด์โปรไฟล์ ที่จับคู่กับฐานสมาชิกของผู้เช่าเอง |
| ผลลัพธ์และปลายทาง | คะแนนความคล้ายคลึงกันต่อสมาชิกพร้อมรายละเอียดตามมิติข้อมูลซึ่งขับเคลื่อนการสรุป "เหตุใดจึงคล้ายกัน" |
| ประตูแห่งความซื่อสัตย์ | เมล็ดขนาดเล็กมีการหดตัวพร้อมคำเตือนที่ชัดเจนมากกว่าคะแนนที่มั่นใจ |
| พื้นผิวการบริโภค | กระแสผู้ชมที่มีลักษณะคล้ายการค้นหา ในฐานเท่านั้น — ผู้ที่มีลักษณะคล้ายกันจะไม่ถูกอัปโหลดไปยังแพลตฟอร์มโฆษณา |
10. ตัวตรวจจับการฉ้อโกงพฤติกรรมผิดปกติ
กิจกรรมคะแนน 30 วันของสมาชิกนั้นถือเป็นค่าผิดปกติทางสถิติที่รุนแรงเมื่อเทียบกับการกระจายตัวของสมาชิกในทีมหรือไม่
| วิธี | สถิติที่แข็งแกร่งต่อทีมในช่วงกิจกรรมคะแนน 30 วัน — รับจำนวนธุรกรรม, คะแนนที่ได้รับ, การแลกบัญชีแยกประเภท — ค่ามัธยฐาน + MAD ต่อฟีเจอร์, ค่าคงที่ z = 0.6745 × (x - ค่ามัธยฐาน) / MAD, ตั้งค่าสถานะที่ z ≥ 6 และ ≥10 รับธุรกรรม |
| อินพุต | กิจกรรมคะแนนของทีมเอง 30 วัน ต่อสมาชิก |
| ผลลัพธ์และปลายทาง | การระงับคะแนนคงเหลือของสมาชิก รวมถึง fraud_points_hold งานตรวจสอบ ธงจะระงับจุดเพื่อตรวจสอบเท่านั้น — มันจะไม่ยกเลิกเอง เหตุผลที่เพย์โหลดมีค่าต่อฟีเจอร์ / ค่ามัธยฐาน / robust-z |
| ประตูแห่งความซื่อสัตย์ | ทีมที่มีสมาชิกที่ใช้งานอยู่ต่ำกว่า 50 คนจะถูกข้ามไปโดยสิ้นเชิง (ไม่มีพื้นฐานที่มีความหมาย) MAD = 0 คุณสมบัติถูกข้ามไป สมาชิกที่ถูกแช่แข็งแล้วจะไม่ถูกกองซ้อนกัน dedup เป็นแบบเก็บเดือน |
| พื้นผิวการบริโภค | รายการงานตรวจสอบการฉ้อโกงคะแนน |
ไปป์ไลน์หยุดแล้วตัดสินที่ตัวตรวจจับนี้ฟีด — การระงับ ความหมายคำตัดสิน การควบคุมของผู้ดูแลระบบ — ได้รับการบันทึกไว้ในคำแนะนำการป้องกันการฉ้อโกงคะแนน
11. การอยู่รอดของการเก็บรักษา (KM + Cox)
เส้นการรักษาผู้ใช้ต่อกลุ่มประชากรตามรุ่นที่สมัครใช้งานรายเดือน และคุณลักษณะของสมาชิกรายใดมีความสัมพันธ์กับการรักษาผู้ใช้
| วิธี | เส้นโค้งขีดจำกัดผลิตภัณฑ์ของ Kaplan-Meier ต่อกลุ่มผู้สมัครรายเดือน เหตุการณ์การเลิกใช้บริการคือ 90 วันโดยไม่มีการซื้อ (เวลาเลิกใช้บริการ = การซื้อครั้งสุดท้าย + 90 วัน) ผู้ซื้อล่าสุดจะถูกตัดออกทางด้านขวา ผู้ที่ไม่เคยซื้อจะถูกยกเว้น แบบจำลอง Cox proportional hazards ผ่าน Breslow partial likelihood ซึ่งหาค่าสูงสุดด้วย Nelder-Mead แบบกำหนดค่าได้เดียวกัน |
| อินพุต | ประวัติการลงทะเบียนและการซื้อของผู้เช่าเอง |
| ผลลัพธ์และปลายทาง | เส้นโค้งการอยู่รอดตามรุ่นและอัตราส่วนอันตรายของ Cox แสดงเป็นประโยคธรรมดา โดยมีอัตราส่วนระหว่าง 0.95 ถึง 1.05 รายงานว่า "ไม่มีความแตกต่างที่มีนัยสำคัญ" และทุกสิ่งที่มีป้ายกำกับว่าสหสัมพันธ์ ไม่ใช่สาเหตุ |
| ประตูแห่งความซื่อสัตย์ | กลุ่มตัวอย่างต้องมีสมาชิกอย่างน้อย 30 คน เส้นโค้งจะไม่ขยายเกินขอบเขตการสังเกตของกลุ่มตัวอย่าง การปรับแบบ Cox จำกัดไว้ที่ 3 ตัวแปร ต้องมีเหตุการณ์อย่างน้อย 30 เหตุการณ์ และส่งคืน null เมื่อไม่บรรจบกัน |
| พื้นผิวการบริโภค | มุมมองกลุ่มประชากรตามรุ่นการรักษาและแผงที่สัมพันธ์กัน |
12. แนวโน้มรายได้ (โฮลท์-วินเทอร์)
การคาดการณ์รายได้รายวัน 14 วัน พร้อมช่วงความคลาดเคลื่อนที่เที่ยงตรง
| วิธี | การปรับเรียบแบบเอ็กซ์โพเนนเชียลสามชั้นแบบเพิ่มพร้อมฤดูกาลรายสัปดาห์ m = 7 และค่าคงที่ α = 0.3, β = 0.05, γ = 0.3 — การปรับแต่งด้วยตนเองเป็นเป้าหมายที่ไม่ใช่เป้าหมายโดยเจตนา — เริ่มต้นอย่างเป็นระบบจากสองฤดูกาลแรก |
| อินพุต | GMV รายวันอ่านผ่านเลเยอร์ความหมายเมตริกที่ได้รับการรับรอง (ไม่มีการรวมกลุ่มที่สอง) จำนวนวันที่หายไปเพิ่มขึ้นเป็น $0; ศูนย์ก่อนการตัดการขายครั้งแรก |
| ผลลัพธ์และปลายทาง | การพยากรณ์ 14 วัน โดยกำหนดค่า ≥0 และช่วงความเชื่อมั่นเท่ากับค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์หนึ่งขั้นภายในตัวอย่าง × 1.5 (เป็นค่าพื้นฐานที่ระบุ ไม่ใช่ช่วงความเชื่อมั่นตามการกระจายตัว) |
| ประตูแห่งความซื่อสัตย์ | ≥28วันของประวัติที่ไม่ใช่ศูนย์ — มิฉะนั้นจะเป็นโมฆะและไม่มีอะไรแสดงผล |
| พื้นผิวการบริโภค | แนวโน้มรายได้แดชบอร์ด |
การบริโภคคะแนน
คะแนนระดับสมาชิกจะเข้าสู่คอลัมน์สรุปและไหลออกไปด้านนอกผ่านสี่พื้นผิว เพื่อเพิ่มการเข้าถึง:
- คอลัมน์สรุป การปรับปรุงใหม่ทุกคืนเขียนคะแนนต่อสมาชิก (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) ลงในการรวบรวมพฤติกรรมของสมาชิก — NULL ทุกที่ที่ไม่ถึงเกต - เงื่อนไขการแบ่งกลุ่ม เงื่อนไขการคาดการณ์หกประการกำหนดเป้าหมายที่คะแนน:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_orderรวมถึงแท็ก สมาชิกที่มีคะแนนเป็น NULL จะไม่มีวันตรงกัน — กลุ่มต่างๆ จะได้รับสิทธิ์ในการตรวจสอบความซื่อสัตย์ - โปรไฟล์สมาชิก API / เพย์โหลดข้อมูลเชิงลึก คะแนนเดียวกันจะจัดส่งในพื้นผิวการอ่านโปรไฟล์สมาชิก ดังนั้นสิ่งที่ผู้ประกอบระบบอ่านคือสิ่งที่หน้าโปรไฟล์แสดงทุกประการ
- MCP สำหรับเอเจนต์ เอเจนต์ AI อ่านคะแนนผ่าน
get_member_profileบนเซิร์ฟเวอร์ MCP ที่ได้รับการกำกับดูแล — ข้อมูลเดียวกัน อยู่เบื้องหลังขอบเขตและการกำกับดูแลเดียวกัน
หากต้องการทราบเรื่องราวทางธุรกิจเกี่ยวกับความสามารถเหล่านี้ โปรดดูที่ Predictive Intelligence; สำหรับเครื่องมือการอนุมัติ บันทึกการตัดสินใจ และการปกปิด PII ทุกรุ่นที่ทำงานอยู่เบื้องหลัง โปรดดูที่ การกำกับดูแล AI: การวิปัสสนาและการอนุมัติ