27 lines
8.5 KiB
Plaintext
27 lines
8.5 KiB
Plaintext
<!-- 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 |
|