Tahmine Dayalı Modeller Referansı
Flash'in tahmin katmanı bir şeffaf kutu: on iki klasik, deterministik model — kara kutu puanlama yok. Her model tamamen TypeScript'tir, yapısı gereği deterministiktir (sabit optimize ediciler ve zamanlamalar, rastgele başlatma yok, örnekleme yok — aynı veriler her zaman aynı modeli üretir, bu nedenle bir puan değişikliği her zaman bir veri değişikliğine işaret eder), her kiracı için o kiracının kendi verilerinden gecelik olarak yeniden uyarlanır ve dürüstlük kapılıdır: her modelin belirtilen minimum gerçek geçmişinin altında, çıktı NULL/yoktur — yüzeyler bir tahmin yerine hiçbir şey göstermez. Tahminler sıralanır ve önerilerde bulunur; İşlem, platformun onayları, limitleri ve rıza kontrollerinin ardında kalır.
Bu sayfa, model başına mühendislik referansıdır: her modelin neyi hesapladığı, yöntemi, girdileri, çıktıları ve nereye düştükleri, dürüstlük kapıları ve onu tüketen yüzeyler. İşletme odaklı hikaye için Tahminleyici Zeka ürün sayfasına bakın; her modelin arkasında çalıştığı yönetim mekanizmaları için Yapay Zeka Yönetişim kılavuzuna bakın.
Her model tarafından paylaşılan dört garanti
Yapısı gereği deterministik
Her model, sabit optimize edicilere ve programlara sahip saf TypeScript'tir; rastgele başlatma yok, örnekleme yok. Aynı veriler her zaman aynı modeli üretir, dolayısıyla bir puan değişikliği her zaman bir veri değişikliğine yol açar.
Kiracı başına her gece yeniden düzenleme
Her model, her gece o kiracının kendi verilerinden (kendi defterinden, kendi gönderilerinden, kendi siparişlerinden) yeniden düzenlenir. Kiracılar arası havuzlama yok.
Dürüstlük kontrolü
Her modelin belirtilen minimum gerçek geçmişinin altında, çıktı NULL/yoktur - yüzeyler bir tahmin yerine hiçbir şey göstermez. Her kapı bu sayfada listelenmiştir.
Sıralayın ve önerin, asla uygulamayın
Tahminler sıralanıyor ve öneriliyor; yürütme, platformun onaylarının, sınırlarının ve izin kontrollerinin gerisinde kalır. Hiçbir model tek başına para taşımaz veya bir üyeyle iletişime geçmez.
On iki model
- Müşteri kaybı riski ve 12 aylık Müşteri Yaşam Boyu Değeri (CLV)
- Beklenen bir sonraki satın alma tarihi
- Tıklama eğilimi
- Göndermek için en iyi zaman
- A/B trafiği otomatik optimizasyonu
- Geri kazanma artışı
- Ürün benzerliği (ürün-kNN)
- Birliktelik kuralları
- Benzerlik
- Davranışsal aykırı değer dolandırıcılık dedektörü
- Elde tutmanın hayatta kalması (KM + Cox)
- Gelir görünümü (Holt-Winters)
1. Müşteri kaybı riski ve 12 aylık Müşteri Yaşam Boyu Değeri (CLV)
Her alıcı için: müşterinin sessizce aboneliğini iptal etme olasılığı (churn_risk, 0–100) ve önümüzdeki on iki ay boyunca beklenen harcama (predicted_clv_12m).
| Yöntem | BG/NBD — satın alma sıklığı ve ayrılmaya ilişkin Pareto ailesi satın alma modeli modeli — Gama-Gama harcama modeliyle birleştirildi. Her ikisi de deterministik Nelder-Mead aracılığıyla takım başına gecelik olarak ayarlanır. |
| Girdiler | Satın alma defteri — ekibin kendi puan kazanma işlemleri — her üyenin satın alma geçmişinin tek kaynağıdır. Kiracının defterinin dışında hiçbir şey yok. |
| Çıktılar ve nereye ulaştıkları | member_behavior_rollup sütunlar: churn_risk (0–100, 100 × (1 − P(yaşayan)) olarak hesaplanır), predicted_clv_12m (E[365 günde tekrarlanan işlemler] × E[işlem başına harcama]) ve predictive_confidence. |
| Dürüstlük kapıları | Ekip uyum kriterleri: ≥200 alıcı, ≥50 tekrar alıcı ve her iki uyum da yakınsamalıdır. Gamma-Gamma ayrıca sonlu bir popülasyon ortalaması gerektirir; aksi takdirde CLV, daha zayıf temel olarak belirtilen üyenin kendi ortalama harcamasına geri döner. Üye kriterleri: Alıcı olmayanlar asla puanlanmaz; 3'ten az satın alma veya 2 aydan az geçmiş → NULL. |
| Tüketim yüzeyleri | Profilin Tahmin Edici Görünümü, churn_risk ve predicted_clv_12m segment koşulları, geri kazanma sıralaması ve önerilen eylem kartları. |
2. Beklenen bir sonraki satın alma tarihi
Her üyenin bir sonraki satın alımının ne zaman beklendiği ve bu tarih etrafındaki zaman aralığının ne kadar geniş olduğu. Beklenen tarih geçmişte olabilir - bu kasıtlı, dürüst bir gecikme sinyalidir, bir hata değildir.
| Yöntem | Üyenin kendi satın alma aralıklarına ilişkin momentler yöntemiyle Gama görünümü. |
| Girdiler | Aynı kazanç-işlem SSOT'u, müşteri kaybı/CLV ile aynıdır — üyenin kendi satın alımları arasındaki gözlemlenen boşluklar. |
| Çıktılar ve nereye ulaştıkları | next_order_expected_at (geçmişte olabilir = gecikmiş) ve next_order_window_days (± örnek standart sapması, minimum 1 gün). |
| Dürüstlük kapıları | ≥3 gözlemlenen boşluk, varyasyon katsayısı ≤1,5 (düzensiz bir ritim reddedilir, asla tahmin edilmez) ve ortalama boşluk ≥0,25 gün — aksi takdirde NULL. |
| Tüketim yüzeyleri | Profil kutucuğu ve days_until_expected_order Segment koşulu (negatif = gecikmiş; yenileme kitlesi "-14 ile 3 arasındadır"). |
3. Tıklama eğilimi
Her üye için P(tıklama | gönderme), şu şekilde ifade edilir: click_propensity 0-100 ölçeğinde.
| Yöntem | Sabit bir programa göre deterministik tam toplu gradyan inişiyle eğitilen, son 90 günlük gönderimler boyunca takım başına L2 tarafından düzenlenen lojistik regresyon. Etiket YALNIZCA tıklamalardan oluşur — Apple MPP önceden getirme özelliği onları şişirdiğinden açılmalar hariç tutulur. Sızıntı koruması, her eğitim gönderiminin önceki tıklama oranı özelliğinin, gönderimin kendi sonucunu hariç tutmasını sağlar ve tek bir paylaşılan özellik oluşturucu, hem eğitime hem de puanlamaya hizmet eder, böylece eğitim ve puanlama satırları birbirinden ayrılamaz. |
| Girdiler | Ekibin son 90 günündeki gönderim sonuçları. |
| Çıktılar ve nereye ulaştıkları | click_propensity (0–100) artı propensity_computed_at. |
| Dürüstlük kapıları | Takım uyumu kapıları: ≥500 gönderim, ≥30 tıklama, ≥50 farklı üye. Üye kapısı: ≥3 son gönderim — aksi halde NULL. |
| Tüketim yüzeyleri | Profil kutucuğu ve click_propensity segment koşulu. |
4. Göndermek için en iyi zaman
Her üyenin kendi yerel saat diliminde tercih ettiği etkileşim saati ve tüm gönderim için hedef kitle düzeyinde saat önerisi.
| Yöntem | Üyenin yerel saat diliminde, 90 gün boyunca üye başına etkileşim saati histogramı: tıklamalar, proxy olmayan açılışların 3 katı ağırlıklandırılmıştır, botlar hariç tutulmuştur, Apple MPP proxy açılışları düşülmüştür. Tercih edilen saat, dairesel olarak düzeltilmiş moddur (saat 23 ve saat 0 komşudur). |
| Girdiler | Üyenin yerel saat dilimine göre eşlenen, üyenin kendi katılım etkinliklerinin 90 günü. |
| Çıktılar ve nereye ulaştıkları | preferred_send_hour (0–23, yerel) artı send_timing_sample. İzleyici önerisi, izleyicinin tercih ettiği saatler üzerinden, kapsama sayılarıyla birlikte raporlanan moddur. |
| Dürüstlük kapıları | Nitelikli etkileşim geçmişi olmayan bir üyenin tercih edilen saati yoktur. Otomatik uygulama sinyal bulamadığında, arayanın yapılandırılmış zamanını korur — asla sessizce bir gönderimi geciktirmez. |
| Tüketim yüzeyleri | Planlama adımı kartı, preferred_send_hour segment koşulu ve gönder API aracılığıyla otomatik uygulama (optimizeSendTime), önerilen saatin bir sonraki oluşumunu planlar. |
5. A/B trafiği otomatik optimizasyonu
Canlı tıklama performansından elde edilen verilere göre, tekrarlayan bir kampanyanın deney varyantları genelinde saatlik teslimat ağırlığı tahsisleri.
| Yöntem | Canlı varyant başına tıklamalar üzerinde deterministik bir tahsis edici: Laplace ile düzeltilmiş sonradan ortalama CTR bir sıcaklığa yükseltilir, ardından %10'luk bir kol başına keşif tabanının üzerinde normalize edilir. İstatistiksel bir kazanan asla ilan edilmez; bu, ayrı bir resmi A/B testinin sonucudur. |
| Girdiler | Kampanya için canlı varyant başına teslimat ve tıklama sayıları. |
| Çıktılar ve nereye ulaştıkları | En son tahsis, gönderim zamanında üst üste bindirilir — yapılandırılmış bölme asla değiştirilmez. Her saatlik yeniden hesaplama, bandit_allocations Uygulanan ağırlıklar ve insan tarafından okunabilir gerekçeyle birlikte karar günlüğü. |
| Dürüstlük kapıları | Yalnızca yinelenen kampanyalar (otomasyon/yolculuk), kampanya başına katılım. Her kolda ≥100 teslimat gerçekleşene kadar trafik eşit bir dağılımda kalır; ince verilerde yeniden tahsis yapılmaz. |
| Tüketim yüzeyleri | Katılım sağlanan yinelenen kampanyalarda gönderim zamanı ağırlık katmanı; yalnızca ekleme bandit_allocations kayıt, denetim yüzeyidir. |
6. Geri kazanma artışı
Geri kazanma ajanı hangi risk altındaki üyelerle önce çalışmalı — sadece risk altındaki değer değil, ikna edilebilirlik bilincine sahip bir sıralama.
| Yöntem | Programın kendi rastgeleleştirilmiş tutma deneyinde iki model lojistik artışı: artış(x) = P(dönüştürme | tedavi edilen, x) − P(dönüştürme | tutma, x). Üye başına kollar değişmezdir; dönüşüm = atıf penceresinde ≥1 sıra. |
| Girdiler | Olgunlaşmış winback_attribution satırlar. Özellikler, mevcutsa görevin kuyruğa alma anındaki anlık görüntüsünden, aksi takdirde mevcut özet veriden (yaklaşık olarak belirtilmiştir) gelir. |
| Çıktılar ve nereye ulaştıkları | İş listesi sıralama anahtarı = risk değeri × artış. Olumsuz olumlu etki (rahatsız etmeyin) en alta iner, öncelik 0'da sabitlenir. task.reason tam aritmetiği taşır. |
| Dürüstlük kapıları | ≥200 olgunlaşmış işlenmiş satır, ≥50 olgunlaşmış bekleme satırı, ≥20 dönüşüm ve her iki uyum da yakınsamalıdır - aksi takdirde sıralama tamamen risk altındaki değere bağlı kalır. |
| Tüketim yüzeyleri | SoClaw Geri kazanma iş listesi sıralaması — temsilcinin görevleri talep ettiği sıralı kuyruk. |
İş listesinin kendisi — görevleri, kaldıraçları, tamamlanmayı talep etme — SoClaw Win-Back Entegrasyon kılavuzunda belgelenmiştir.
7. Ürün benzerliği (ürün-kNN)
Üründen ürüne benzerlik “ayrıca satın alındı”.
| Yöntem | Kosinüs normalleştirilmiş eş zamanlılık ile puanlanan gecelik ortak satın alma gerçekleşmesi: co_count / sqrt(buyers(A) × buyers(B)) — Normalleştirme, popülerlik yanlılığını düzeltir. Ham co_count incelenebilir kanıt olarak bir sütun halinde saklanır. |
| Girdiler | Kiracının kendi ortak satın alma geçmişi - kimin neyi birlikte satın aldığı. |
| Çıktılar ve nereye ulaştıkları | Her puanın yanında ham eş oluşum sayısının saklandığı somutlaştırılmış öğe çifti benzerlik puanları. |
| Dürüstlük kapıları | Çiftlerin gerçekleşmesi için ≥2 ortak alıcıya ihtiyaç vardır. İnce veya soğuk kasalar, kategorinin en çok satanlarına, ardından küresel en çok satanlara geri döner; soğuk üyeler rastgele ürünlerden başka hiçbir şey almazlar. |
| Tüketim yüzeyleri | E-posta Önerileri bloğu, üye portalı ve herkese açık + v2 öneri API'leri. |
8. Birliktelik kuralları
Destek, güven ve yükseliş ile "A'nın alıcıları aynı zamanda B'yi de satın alır" biçimindeki çapraz satış kuralları.
| Yöntem | Sipariş düzeyinde ürün çiftleri her gece çıkarılır. Eşikler: ≥3 çift sipariş ve ≥%5 güven; her öncül için en iyi 25 kural, artışa göre sıralanarak saklanır. |
| Girdiler | Satıcının kendi sipariş satırları. |
| Çıktılar ve nereye ulaştıkları | catalog_association_rules Destek/güven/yükseliş verilerini ve bunlardan türetilen ham sayıları (çift, önceki ve sonraki sipariş sayıları) içeren satırlar — böylece her metrik elle yeniden hesaplanabilir. |
| Dürüstlük kapıları | ≥3 çift sipariş ve ≥%5 güven — bunun altında kural yoktur. |
| Tüketim yüzeyleri | Profil çapraz satış eylem kartı - yalnızca aktif alıcılar, halihazırda sahip olunan ürünler hariç. |
9. Benzerlik
Temel gruptaki her bir üyenin, hedef kitleye ne kadar benzediği ve bunun nedenlerine dair üye bazında ayrıntılı bir analiz.
| Yöntem | Çekirdek → Rocchio merkez noktası: IDF ağırlıklı etiket kosinüs benzerliği + Gower normalleştirilmiş sayısal mesafe (RFM, satın alma sayısı, yakınlık), ayrıca çekirdek veriye sahip olduğunda profil birleştirme — değer katmanı eşleşmesi, birincil kategori eşleşmesi, müşteri kaybı görünümü yakınlığı — ağırlıklar, GERÇEKTEN MEVCUT olan boyutlar üzerinden yeniden normalleştirilir, böylece profil verisi olmayan bir çekirdek tam olarak etiket + sayısal katmana düşer. |
| Girdiler | Temel üye etiketleri, sayısal davranışları (RFM, satın alma sayısı, yakınlık) ve profil alanları, kiracının kendi üye tabanıyla eşleştirilir. |
| Çıktılar ve nereye ulaştıkları | “Neden benzerler” özetini destekleyen, boyut bazında ayrıntılı üye bazlı benzerlik puanları. |
| Dürüstlük kapıları | Küçük tohumlar, güvenilir puanlar yerine küçülme ve açık bir uyarı alır. |
| Tüketim yüzeyleri | Benzer kitle bulma akışı. Sadece veritabanında — benzer kitleler asla reklam platformlarına yüklenmez. |
10. Davranışsal aykırı değer dolandırıcılık dedektörü
Bir üyenin 30 günlük puan etkinliğinin, ekibin kendi üye dağılımına göre aşırı bir istatistiksel aykırı değer olup olmadığı.
| Yöntem | 30 günlük puan aktivitesi üzerinden takım başına sağlam istatistikler — kazanılan işlem sayısı, kazanılan puanlar, hesap bakiyesi kullanımları — özellik başına medyan + MAD, sağlam z = 0,6745 × (x − medyan) / MAD, z ≥ 6 VE ≥10 kazanılan işlemde işaretleme. |
| Girdiler | Üye başına, ekibin kendi puan etkinliğinin 30 günü. |
| Çıktılar ve nereye ulaştıkları | Üyenin hala mevcut puanlarının dondurulması artı fraud_points_hold gözden geçirme görevi. Bir işaret yalnızca inceleme için puanları dondurur — asla kendi kendine geçersiz kılınmaz. Yükün özellik başına değer/medyan/sağlam z taşımasının nedeni. |
| Dürüstlük kapıları | 50'den az aktif üyesi olan ekipler tamamen atlanır (anlamlı bir temel yok); MAD = 0 özellikleri atlanır; zaten dondurulmuş üyeler asla eklenmez; mükerrer kayıtlar aylık olarak gruplandırılır. |
| Tüketim yüzeyleri | Puan sahtekarlığı inceleme çalışma listesi. |
Bu dedektörün beslediği dondurma-sonra-karar verme hattı — bekletmeler, karar semantiği, yönetici kontrolleri — Points Sahtekarlık Koruma kılavuzunda belgelenmiştir.
11. Elde tutmanın hayatta kalması (KM + Cox)
Aylık kayıt kohortuna göre elde tutma eğrileri ve hangi üye özelliklerinin elde tutma ile ilişkili olduğu.
| Yöntem | Aylık kayıt kohortu başına Kaplan-Meier ürün limiti eğrileri; kayıp olayı 90 gün boyunca satın alma yapılmamasıdır (kayıp süresi = son satın alma + 90 gün), yakın zamanda satın alanlar sağdan sansürlenmiştir, hiç satın almayanlar hariç tutulmuştur. Breslow kısmi olasılık yöntemiyle Cox orantılı tehlikeleri, aynı deterministik Nelder-Mead yöntemiyle maksimize edilmiştir. |
| Girdiler | Kiracının kendi kayıt ve satın alma geçmişi. |
| Çıktılar ve nereye ulaştıkları | Kohort hayatta kalma eğrileri ve Cox tehlike oranları, düz cümleler halinde sunuldu; 0,95 ile 1,05 arasındaki oranlar "anlamlı bir fark yok" olarak rapor edildi ve her şey nedensellik değil korelasyon olarak etiketlendi. |
| Dürüstlük kapıları | Kohortların ≥30 üyesi olması gerekir; eğriler hiçbir zaman bir kohortun gözlemlenen ufkunun ötesine uzanmaz. Cox uyumu 3 kovaryant ile sınırlıdır, ≥30 olaya ihtiyaç duyar ve yakınsama olmaması durumunda null döndürür. |
| Tüketim yüzeyleri | Elde tutma kohortu görünümü ve bunun ilişkili olduğu panel. |
12. Gelir görünümü (Holt-Winters)
Dürüst bir hata aralığıyla 14 günlük günlük gelir tahmini.
| Yöntem | Haftalık mevsimsellik m = 7 ve SABİT sabitler α = 0,3, β = 0,05, γ = 0,3 ile eklemeli üçlü üstel düzeltme — kendi kendine ayarlama kasıtlı bir amaç değildir — ilk iki sezondan deterministik olarak başlatılır. |
| Girdiler | Günlük GMV, sertifikalı metrikler semantik katmanı üzerinden okundu (ikinci bir toplama yok); eksik günler 0$'a yoğunlaştırıldı; ilk satıştan önceki sıfırlar kırpıldı. |
| Çıktılar ve nereye ulaştıkları | 14 günlük tahmin, ≥0 ile sınırlandırılmış, bant değeri = örneklem içi ortalama mutlak tek adımlı hata × 1,5 (belirtilen bir temel, dağılımsal güven aralığı değil). |
| Dürüstlük kapıları | ≥28 günlük sıfırdan farklı geçmiş — aksi halde geçersizdir ve hiçbir şey oluşturulmaz. |
| Tüketim yüzeyleri | Gösterge paneli gelir görünümü. |
Puanları tüketme
Üye düzeyindeki puanlar, artan erişim sırasına göre dört yüzey üzerinden dışa doğru akan, toplam sütunlar halinde gelir:
- Toplama sütunları. Gecelik yeniden yapılandırmalar, üye başına puanları (
churn_risk,predicted_clv_12m,click_propensity,preferred_send_hour,next_order_expected_at…) üye davranışı toplamasına yazar - bir geçidin karşılanmadığı durumlarda NULL. - Segment koşulları. Altı tahmin koşulu, puanları hedef alır:
churn_risk,predicted_clv_12m,preferred_send_hour,click_propensity,days_until_expected_orderve etiketler. Puanı NULL olan bir üye asla eşleşmez; segmentler dürüstlük kapılarını devralır. - Üye profili API / içgörü yükü. Aynı puanlar üye profili okuma yüzeyinde gönderilir, bu nedenle bir entegratörün okuduğu şey, profil sayfasının gösterdiğiyle tamamen aynıdır.
- MCP ajanlar için. Yapay zeka ajanları, yönetilen MCP sunucuda
get_member_profileüzerinden puanları okur — aynı veriler, aynı kapsamlar ve yönetim altında.
Bu yeteneklerin iş dünyasına yönelik öyküsü için bkz. Tahmin Edici Zeka; Onay mekanizmaları, karar günlükleri ve her modelin arkasında çalışan kişisel bilgileri maskeleme için bkz. Yapay Zeka Yönetişim: İç Gözlem ve Onaylar.