關係與親和力將客戶群轉化為您可以了解和採取行動的網絡。
抽象層的一個子組件，基於一個簡單的前提：客戶並非孤立的個體，而是關係網絡中的一個節點－價值在於其邊。在成員端，它計算一個真實的關聯圖，其節點是經過身份解析的成員，邊是受控的多類型連結：轉換推薦、大使到客戶的聯繫以及潛在的家庭。它讀取該圖的結構——社群、樞紐和孤立成員——以便根據結構角色選擇策略。在產品端，它從真實的購物籃中推導出關聯性：哪些產品被一起購買以及會員傾向於哪些類別。然後，覆蓋範圍、家庭、推薦和推薦策略都基於這些真實的關聯，而不是猜測。
將客戶視為網路中的節點，而非孤立的原子——建立包含真實推薦、品牌大使關係和潛在家庭的多類型成員圖，以及產品共同購買和品類偏好。
客戶是節點，而非原子－價值在於邊。
大多數零售行銷將每個客戶視為孤立的個體，忽略了客戶群中最有價值的部分：客戶之間的連結。這一層將這些聯繫具象化——一個計算並管理的成員及其關係圖——從而使客戶留存策略能夠繪製網絡圖、解讀其結構並按角色進行操作。
- Hub（高推薦度）
- 成員
- 隔離（流失風險）
- 轉換的推薦
- 可能的家庭用戶
- 共同購買親和力
節點代表客戶；邊代表客戶關係
每個節點都是一個經過身份解析的忠誠度會員——一個真實且已獲得授權的人，而不是設備或重複用戶。圖表的價值在於它們之間的邊，每條邊都代表一種特定的、受控的關係，而非模糊的相似性。
- 轉換推薦－骨幹優勢，僅在推薦實際註冊時繪製。它是提供樞紐影響力的一個環節，因此它保留了真實口碑的清晰記錄。
- 大使到顧客－大使帶來的每位顧客都會成為持久的紐帶，將粉絲群轉化為可瀏覽的網路。
- 可能的家庭成員－透過保護隱私的指紋推斷出共享相同地址的成員，該指紋不會儲存原始標識符，僅保留給可能的少數群體。
- 產品親和力－基於真實購物籃資料得出的共同購買組合（購買了 X，也購買了 Y）和每個會員的類別傾向，將使用者圖譜與其實際購買行為連結起來。統計相似性本身——產品/產品和成員/成員的相似度——在姊妹層「親和力與相似性」中進行了詳細建模。
邊緣運算功能
一旦關係真實存在並具象化，結構就會自然而然地從中顯現——而結構正是您可以採取行動的基礎。一堆孤立的原子則不具備這些特性。
- 社群－由相互連結的成員（家庭、朋友群、本地社群）組成的集群，只需一則訊息即可傳播，無需逐一付費觸達。
- 樞紐－高推薦度會員：透過推薦轉換會員而非粉絲數量獲得此排名的天然影響力人物。
- 孤立成員－沒有轉換推薦邊和社交錨點的節點，最終會造成不成比例的流失風險。
- 次佳推薦－推薦產品基於會員真實的共同購買記錄和品類模式，而非通用的全店熱度。
這對人工智慧決策的重要性
基於原子進行推理的代理只能計算與不存在的「平均客戶」的相似度。而基於圖進行推理的代理，可以根據成員的真實結構角色選擇合適的策略，並解釋原因。
- 推薦、轉介請求或客戶挽回都基於角色——例如樞紐、家庭或共同購買模式——而非臨時猜測。
- 孤立成員被連結起來而不是被拋棄；中心被招募；社區被播種－原子視圖無法區分這三種不同的策略。
- 每條邊都標有“已聲明”、“已推斷”或“已導入”字樣，並帶有高/中/低置信區間，以便決策者能夠衡量其背後關係的確定程度——推斷的鏈接僅限操作員查看，可一鍵關閉。
將顧客視為網路的完整案例－繪製會員圖譜，解讀其社群和中心，並透過規範的推薦和擁護來增強顧客忠誠度。
這就是該層改進人工智慧決策的方式。
如果沒有關係和親和力建模，用戶群的定價就如同一個原子袋：推薦和口碑傳播不可見且不受管理，核心成員和孤立成員被同等對待，推薦結果也僅取決於受歡迎程度。成員之間以及產品之間的關聯會被暫時重新計算，因此覆蓋範圍、家庭、影響力以及推薦結果都基於猜測而非真實關係。
推薦歸因於確切的推薦人，而中心的粉絲群是一個可瀏覽的網絡，而不是重置每個報告的標題數字。
策略可以根據結構角色來選擇——招募中心、培育社區、連結孤立成員——而不是盲目地向不存在的普通用戶推送訊息。
由於模型中包含家庭關係資訊（透過保護隱私的指紋推斷並信賴區間），因此可以推斷家庭層級的覆蓋範圍。
次佳產品推薦基於真實的共同購買模式，而非泛泛的受歡迎程度。
價值是可操作的，而不僅僅是技術的。
代理商可以推理出誰與誰有聯繫、成員在網路中的位置以及購買了什麼——因此推薦、推薦請求或贏回都是基於真實的結構角色（中心、家庭、共同購買模式），而不是為孤立的個人現場計算的臨時相似性。
將成員庫建模為圖形——節點是身份解析後的成員，邊是真實且已轉換的關係——而不是將每個客戶視為孤立的原子進行定價。
在同一張圖上承載三種受管連結類型：轉換推薦（主幹）、大使到客戶的連結以及可能的家庭成員連結－每種連結都帶有來源標識和置信度等級。
讀取結構，而不僅僅是點：社群、高影響力中心（天然影響者）和孤立成員（流失風險訊號）都成為可定位的角色。
從真實的購物籃資料（例如共同購買組合和每個會員的類別偏好）中提取產品親和力，從而根據真實模式而非通用流行度推薦最佳替代品。
將關係實體化到模型中，以便讀取覆蓋範圍、家庭和中心邏輯，而不是在每次呼叫時暫時重新推導。
此層負責什麼
從原始商店讀取訂單和轉換推薦記錄；只有當推薦人實際轉換時才會繪製優勢圖，不會為僅發送或已過期的邀請繪製優勢圖。
建立多類型成員圖——推薦、大使到客戶以及可能的家庭關係——每個連結都標記為已聲明/推斷/導入，並帶有高/中/低置信區間。
透過標籤傳播（保留中心輻射式子結構）偵測社群，並根據實際推薦度對中心節點進行排名；孤立節點則被視為流失風險較高的集合。
為每個計劃實體化每日確定性快照（過期時按需重建），以便相同的資料始終產生相同的結構。
從詳細的訂單明細中計算產品共同購買情況和每位成員的類別偏好，並將所有資訊作為受控模型輸出暴露給本體和推薦系統。