<!-- AI_CHANGELOG [2026-02-13] 更新 NCI/WBI/OS/MS/ML 描述以对齐代码实现；移除 RECALL/INTIMACY -->
各指数作用与算法逻辑概览（更新于 2026-02-13）

| 指数                              | 粒度           | 主要解决的问题                  | 核心信号（输入）                                           | 算法逻辑（简述）                                                                                            | 输出形式                                             |
| ------------------------------- | ------------ | ------------------------ | -------------------------------------------------- | --------------------------------------------------------------------------------------------------- | ------------------------------------------------ |
| **NCI 新客转化指数**                  | 客户（member）   | 新客欢迎建联与二访转化优先级排序         | 首访/单访、近14/60天到店次数、距上次到店/充值天数、消费与余额、充值未回访           | 将 NEW 客户分为"欢迎窗口"和"转化窗口"：欢迎分在首访后短窗口内递减；转化分=紧迫度×可救度，并叠加"充值未回访压力/价值"（充值和价值分在免打扰窗口后渐进生效，由 touch_multiplier 控制）；对近期高活跃新客做抑制，避免打扰；最终做 0–10 映射      | `raw` + `display(0–10)`，并提供 welcome/convert 子展示分 |
| **WBI 老客挽回指数**                  | 客户（member）   | 老客召回紧急程度与价值潜力的综合排序       | 距上次到店/充值天数、到店间隔分布（个人周期）、近14/60天降频、充值未回访、近180天消费与余额 | 先分流（NEW/OLD/STOP，高余额 STOP 例外可进入并参与评分）；OLD/STOP_HIGH_BALANCE 客户 WBI=超期（加权经验CDF的p^alpha变换）+降频+充值未回访压力+价值；双层抑制机制：hard_floor_days 硬截断 + sigmoid 门控（recency_gate_days + slope_days）；额外输出 ideal_interval_days（理想回访间隔）和 ideal_next_visit_date（建议下次到店日期）；最终 0–10 映射 | `raw` + `display(0–10)` + `ideal_next_visit_date`                          |
| **RS 关系强度指数**                   | 客户-助教对（pair） | 判断"这位助教和该客户是否真的熟、关系是否牢"  | 近窗口内合并会话：次数、时长、课型权重、会话距今天数；最近一次服务距今天数              | 将"频次+时长"融合成单一"互动量"（base = weight_f×f_score + weight_d×d_score），并做时间衰减；再用最近接触作为门控（gate = r_score^gate_alpha），降低"只靠历史堆积"的误判；rs_raw = base × gate；最终 0–10 映射                              | `raw` + `display(0–10)`                          |
| **OS 归属份额指数**                   | 客户-助教对（pair） | 客户到底该分给谁跟（防多人撞单）         | 同一客户在所有助教上的 RS                                     | 先过滤 RS < min_rs_raw_for_ownership 的噪声对；OS = 该助教 RS / 该客户所有 eligible 助教 RS 之和（份额化）；若 sum_rs < min_total_rs_raw 则全部标记 UNASSIGNED；标签分配：top1 份额 ≥ main_threshold 且与第二名差距 ≥ gap_threshold → MAIN（主责），份额 ≥ comanage_threshold → COMANAGE（共管），其余 → POOL（公海）；同时输出 os_rank 排名                                                 | **0–1 份额** + 标签（MAIN/COMANAGE/POOL/UNASSIGNED） + 排名             |
| **MS 动量/升温指数**                  | 客户-助教对（pair） | 判断"近期是否明显升温/回流"，用于跟进紧急程度 | 短期加权频次 vs 长期加权频次（仅用课型权重 course_weight，不含时长；含时间衰减）                         | 计算短期活跃与长期基线的比值（ratio = f_short / f_long），取正向"升温"部分作为动量（ms_raw = max(0, log(ratio))）；**不再乘进 RS**，避免动量掩盖真实关系强度；MS 只关心频次变化趋势，时长由 RS 负责；最终 0–10 映射                                    | `raw` + `display(0–10)`                          |
| **ML 付费关联指数**                   | 客户-助教对（pair） | 判断"由谁去推储值/增值更可能成功"       | 人工台账归因充值（金额、距今天数）；由 Excel 导入的 dws_ml_manual_order_alloc 表提供                        | 仅使用人工台账数据（不使用自动归因）；对归因充值金额做对数压缩（log1p(amount/amount_base)）并时间衰减累加；无台账数据时 ML_raw=0；最终 0–10 映射                                   | `raw` + `display(0–10)`                          |


按运营场景归类——用哪些指数、怎么配合运营
| 场景大类           | 具体场景/触发                      | 主用指数         | 辅助指数                        | 运营动作（怎么做）                     | 分派/排序建议（怎么用分数）                                            |
| -------------- | ---------------------------- | ------------ | --------------------------- | ----------------------------- | --------------------------------------------------------- |
| **客户分配（归属）**   | 新客首次到店/单访（NEW）               | NCI（welcome） | RS/OS（若有服务记录）               | 建联、加微信、解释规则与权益、预约二访           | NEW 客户按 NCI_welcome 从高到低分配给"新客官/当班"；若已有服务记录则优先分给 RS 最高的助教 |
| **客户分配（归属）**   | 多助教共同服务、避免撞单                 | OS           | RS                          | 确定主跟进人+备份协同；低份额进入公海           | 先过滤 RS 过低的噪声对；OS≥阈值判主责；OS 中间段做共管；OS 低入公海                  |
| **跟进紧急程度（活跃）** | 近期明显升温/回流                    | MS           | OS、RS                       | 48小时内快速承接：约局、续约、体验升级          | 在各助教名下按 MS 排序拉任务；只给 OS 主责助教派单，避免多人同时触达                    |
| **跟进紧急程度（活跃）** | 关系强但开始变冷（尚未进入老客召回）           | RS           | MS                          | 关怀回访、确认体验、轻激励召回               | 按"RS 高且最近温度下降"的组合优先；仍由 OS 主责助教执行                          |
| **新客转化**       | 二访转化窗口（Need×Salvage 高）       | NCI（convert） | OS/RS（选人）                   | 明确二访理由与时间点，减少硬推；对活跃新客遵守免打扰    | NEW 客户按 NCI_convert 排序；触达频次由 NCI 的抑制机制控制                  |
| **老客召回紧急程度**   | OLD 客户召回（过门槛且可触达）            | WBI          | OS/RS（选人）、ML（若涉及储值）         | 召回话术：周期超期/降频原因探询+回访安排；高余额优先人工 | OLD 客户按 WBI 排序形成召回队列；优先派给 OS 主责助教；无归属进公海召回组               |
| **专项召回**       | 充值未回访（recharge_unconsumed=1） | WBI（充值相关信号）  | ML、OS、RS                    | "余额权益/使用提醒"切入，目标是回店消耗与续充      | WBI 高者优先；由 ML 高且 OS 合理的助教主推（提高转化）                         |
| **增值推荐（由谁推）**  | 要推储值/包时/陪练等增值                | ML           | OS、RS、MS                    | 由"更可能促成付费的人"主推；升温期可提高转化强度     | 先按客户价值/意愿侧（在 NCI/WBI 价值项里已体现）筛人，再用 ML 选人、用 OS 定责          |
| **触达控制（避免打扰）** | 新客刚来过、仍活跃                    | NCI（内置抑制）    | —                           | 降低触达，转为到店现场服务转化               | 对触达任务队列，直接用 NCI 的抑制结果降低优先级或不派单                            |
| **门店管理/复盘**    | 助教名下 RS 高但 WBI 也高（熟客仍流失）     | WBI + RS     | OS、MS                       | 复盘服务质量/排班稳定性/体验问题，调整服务策略      | 不是派单场景，而是"异常监控看板"：按组合信号筛出需复盘的助教与客户群                       |
