root/Neo-ZQYY

Fork 0

Files

Neo ded6dfb9d8 init: 项目初始提交 - NeoZQYY Monorepo 完整代码

2026-02-15 14:58:14 +08:00

27 KiB

Raw Blame History

INDEX 层任务详解

本文档说明飞球 ETL 系统中 INDEX（指数算法层）的所有任务。 INDEX 层基于 DWD/DWS 层数据，通过自定义算法计算业务指数，服务于会员运营（回流挽回、新客转化）和助教管理（关系归属、付费关联）等场景。

概述

INDEX 层共有 4 个已注册任务：

任务代码	Python 类	目标表	指数类型	更新策略
`DWS_WINBACK_INDEX`	`WinbackIndexTask`	`dws_member_winback_index`	WBI（回流指数）	delete-before-insert（按门店全量刷新）
`DWS_NEWCONV_INDEX`	`NewconvIndexTask`	`dws_member_newconv_index`	NCI（新客转化指数）	delete-before-insert（按门店全量刷新）
`DWS_RELATION_INDEX`	`RelationIndexTask`	`dws_member_assistant_relation_index`	RS/OS/MS/ML（关系指数）	delete-before-insert（按门店全量刷新）
`DWS_ML_MANUAL_IMPORT`	`MlManualImportTask`	`dws_ml_manual_order_source` / `dws_ml_manual_order_alloc`	ML（手动台账导入）	按 scope 先删后写

注册位置：orchestration/task_registry.py，所有 INDEX 任务的 requires_db_config=False、layer="INDEX"。

BaseIndexTask 公共机制

BaseIndexTask（位于 tasks/dws/index/base_index_task.py）继承自 BaseDwsTask，为所有指数任务提供统一的算法基础设施。

继承层次

BaseTask
  └── BaseDwsTask
        └── BaseIndexTask
              ├── MemberIndexBaseTask   ← WBI / NCI 共享的会员特征提取
              │     ├── WinbackIndexTask
              │     └── NewconvIndexTask
              ├── RelationIndexTask     ← RS/OS/MS/ML 四合一
              └── MlManualImportTask    ← ML 人工台账导入

子类必须实现的抽象方法

def get_index_type(self) -> str:
    """返回指数类型标识，如 'WBI'、'NCI'、'RS'"""

核心能力

1. 半衰期时间衰减函数

所有指数共享的时间权重模型，核心思想是"越近越重要"：

decay(d; h) = exp(-ln(2) × d / h)

参数	含义	示例
`d`	事件距今天数（≥0）	7 天
`h`	半衰期（>0），单位：天	7 天
返回值	衰减权重，范围 (0, 1]	0.5

当 d = h 时权重恰好衰减到 0.5；d = 0 时权重为 1.0。

2. 分位数计算与截断（Winsorize）

用于消除极端值对归一化的影响：

计算 P5 和 P95 分位点
将所有 Raw Score 截断到 [P5, P95] 范围内

calculate_percentiles(scores, lower=5, upper=95) → (P5, P95)
winsorize(value, lower, upper) → clipped_value

3. 0-10 归一化映射

将 Raw Score 映射到 0-10 分的 Display Score，便于业务理解和排序：

映射流程：Raw Score → [可选压缩] → Winsorize(P5, P95) → MinMax(0, 10)

压缩模式（由 compression_mode 参数控制）：

compression_mode	方式	公式	适用场景
0	无压缩	`y = x`	分布较均匀时
1	log1p	`y = ln(1 + x)`	右偏分布（默认）
2	asinh	`y = asinh(x)`	含负值或极端右偏

当所有分数几乎相同（max - min < ε）时，返回中间值 5.0。

4. 算法参数加载

从 billiards_dws.cfg_index_parameters 表按 index_type 加载参数：

按 effective_from 降序取最新生效的参数值
支持按 index_type 隔离的内存缓存（TTL = 300 秒）
子类可通过 get_param(name, default) 获取单个参数

load_index_parameters(index_type=None) → Dict[str, float]
get_param(name, default=0.0, index_type=None) → float

5. 分位点历史管理（EWMA 平滑）

为避免分位点在不同批次间剧烈波动，支持 EWMA（指数加权移动平均）平滑：

Q_t = (1 - α) × Q_{t-1} + α × Q_now

参数	含义	默认值
`α`（ewma_alpha）	平滑系数，越大越跟随当前值	0.2
`Q_{t-1}`	上一次平滑后的分位点	从 `dws_index_percentile_history` 表读取
`Q_now`	当前批次计算的分位点	实时计算

首次计算时无历史记录，直接使用当前分位点（不平滑）。每次计算后将原始分位点和平滑分位点保存到 dws_index_percentile_history 表。

6. 统计工具方法

方法	功能
`calculate_median(values)`	中位数
`calculate_mad(values)`	MAD（中位绝对偏差），比标准差更稳健
`safe_log(value)`	安全对数（value ≤ 0 时返回默认值）
`safe_ln1p(value)`	安全的 `ln(1+x)`

MemberIndexBaseTask 会员指数共享基类

MemberIndexBaseTask（位于 tasks/dws/index/member_index_base.py）继承自 BaseIndexTask，为 WBI 和 NCI 提供共享的会员活动特征提取逻辑。

会员活动特征（MemberActivityData）

从 DWD 层提取并计算的会员特征数据结构：

字段	类型	含义
`member_id`	int	会员 ID
`site_id` / `tenant_id`	int	门店 / 租户 ID
`member_create_time`	datetime	会员建档时间
`first_visit_time`	datetime	首次到店时间
`last_visit_time`	datetime	最近到店时间
`last_recharge_time`	datetime	最近充值时间
`t_v`	float	距最近到店天数（截断到 recency 窗口）
`t_r`	float	距最近充值天数（截断到 recency 窗口）
`t_a`	float	`min(t_v, t_r)`，综合活跃度
`visits_14d` / `visits_60d` / `visits_total`	int	近 14 天 / 60 天 / 总到店次数
`spend_30d` / `spend_180d`	float	近 30 天 / 180 天消费金额
`sv_balance`	float	储值卡余额
`recharge_60d_amt`	float	近 60 天充值金额
`intervals`	List[float]	到店间隔天数序列
`interval_ages_days`	List[int]	每个间隔对应的"年龄"（距今天数）
`recharge_unconsumed`	int	充值后是否未回访（1=是）

数据来源

数据	来源表	提取方式
到店记录	`billiards_dwd.dwd_settlement_head`	按天去重，仅计入正常结账（settle_type=1）和激励课结账（settle_type=3 且关联 BONUS 技能）
充值记录	`billiards_dwd.dwd_recharge_order`	settle_type=5，近 recency_days 天
会员建档时间	`billiards_dwd.dim_member`	scd2_is_current=1
首次到店时间	`billiards_dwd.dwd_settlement_head`	全量 MIN(pay_time)
储值卡余额	`billiards_dwd.dim_member_card_account`	按 card_type_id 筛选现金卡

会员 ID 规范化：优先使用 member_id，若为 0 则通过 dim_member_card_account 关联取 tenant_member_id。

会员分群（classify_segment）

WBI 和 NCI 共享的三分群逻辑，决定会员进入哪个指数的计算范围：

分群	条件	进入指数
STOP	`t_a ≥ recency_days`（默认 60 天无活动）	不参与评分（除 STOP_HIGH_BALANCE 例外）
NEW	满足以下任一：到店 ≤ 2 次、首访 ≤ 30 天、近期充值未回访	NCI
OLD	不满足 STOP 和 NEW 条件	WBI

STOP_HIGH_BALANCE 例外：当 enable_stop_high_balance_exception=1 且储值余额 ≥ high_balance_threshold（默认 1000 元）时，STOP 会员仍参与 WBI 评分。

DWS_WINBACK_INDEX — 老客挽回指数（WBI）

属性	值
任务代码	`DWS_WINBACK_INDEX`
Python 类	`WinbackIndexTask`（`tasks/dws/index/winback_index_task.py`）
继承链	`BaseTask → BaseDwsTask → BaseIndexTask → MemberIndexBaseTask → WinbackIndexTask`
目标表	`billiards_dws.dws_member_winback_index`
主键	`site_id, member_id`
指数类型	`WBI`
更新策略	按门店全量刷新（先 DELETE WHERE site_id = %s，再 INSERT）

业务含义

WBI 衡量老客的"挽回紧急度"——分数越高，表示该会员越需要运营人员主动触达。适用于已有多次到店记录但近期活跃度下降的老客群体。

计算范围

仅对 segment = "OLD" 或 status = "STOP_HIGH_BALANCE" 的会员计算。

算法概要

WBI Raw Score 由 4 个分项加权求和，再乘以近期抑制系数：

WBI_raw = suppression × (w_over × Overdue + w_drop × Drop + w_re × Recharge + w_value × Value)

分项 1：超期紧急性（Overdue）

基于会员个人历史到店间隔的加权经验 CDF，衡量当前缺席天数的异常程度：

收集会员历史到店间隔序列 {interval_i, age_i}
计算加权 CDF：P(interval ≤ t_v)，权重按间隔年龄半衰期衰减
对小样本混合等权分布与加权分布（λ = min(1, N / blend_min_samples)）
Overdue = P^α（α 默认 2.0，放大高概率区间的紧急性）

同时计算理想到店间隔（加权中位数），用于推算 ideal_next_visit_date。

分项 2：降频分（Drop）

检测近期到店频率是否低于历史均值：

expected_14d = visits_60d × 14 / 60
Drop = clip((expected_14d - visits_14d) / (expected_14d + 1), 0, 1)

分项 3：充值未回访压力（Recharge）

若会员充值后未回访（recharge_unconsumed = 1），按充值距今天数衰减：

Recharge = decay(t_r, h_recharge)    # h_recharge 默认 7 天

分项 4：价值分（Value）

综合消费金额和储值余额的对数压缩：

Value = w_spend × ln(1 + spend_180d / M0) + w_bal × ln(1 + sv_balance / B0)

参数	默认值	含义
`M0` (amount_base_M0)	300	消费金额压缩基准
`B0` (balance_base_B0)	500	余额压缩基准

近期抑制（Suppression）

防止刚到店的会员获得高分，使用 Sigmoid 门控：

suppression = σ((t_v - gate_days) / slope_days)

当 t_v < hard_floor_days（默认 14 天）时，suppression = 0（完全抑制）
当 t_v 远大于 gate_days 时，suppression → 1（不抑制）

默认权重

参数	默认值	含义
`w_over`	2.0	超期紧急性权重
`w_drop`	1.0	降频权重
`w_re`	0.4	充值压力权重
`w_value`	1.2	价值权重

DWS_NEWCONV_INDEX — 新客转化指数（NCI）

属性	值
任务代码	`DWS_NEWCONV_INDEX`
Python 类	`NewconvIndexTask`（`tasks/dws/index/newconv_index_task.py`）
继承链	`BaseTask → BaseDwsTask → BaseIndexTask → MemberIndexBaseTask → NewconvIndexTask`
目标表	`billiards_dws.dws_member_newconv_index`
主键	`site_id, member_id`
指数类型	`NCI`
更新策略	按门店全量刷新（先 DELETE WHERE site_id = %s，再 INSERT）

业务含义

NCI 衡量新客的"转化紧迫度"——分数越高，表示该新客越需要及时跟进以促成二访/三访。适用于首次到店不久或到店次数较少的新客群体。

计算范围

仅对 segment = "NEW" 的会员计算。

算法概要

NCI 由两部分组成：欢迎建联分（Welcome）和转化召回分（Convert），合并为总分：

NCI_raw = raw_score_welcome + raw_score_convert

欢迎建联分（Welcome）

针对首访后 3 天内的会员，鼓励立即触达：

welcome_new = clip(1 - t_v / welcome_window_days, 0, 1)    # 仅 visits_total ≤ 1 时生效
raw_score_welcome = w_welcome × welcome_new

转化召回分（Convert）

由 4 个分项加权组成，并受活跃度抑制：

raw_score_convert = active_multiplier × (
    w_need × (Need × Salvage) + w_re × Recharge × touch_multiplier + w_value × Value × touch_multiplier
)

分项 1：紧迫度（Need）

衡量距二访目标窗口的紧迫程度：

Need = clip((t_v - no_touch_days) / (2 × t2_target_days - no_touch_days), 0, 1)

no_touch_days（默认 3 天）：免打扰窗口，首访后短期内不催促
t2_target_days（默认 7 天）：二访目标天数

分项 2：挽救系数（Salvage）

30-60 天线性衰减，超过 60 天视为流失：

Salvage = clip((salvage_end - t_a) / (salvage_end - salvage_start), 0, 1)

分项 3：充值未回访压力（Recharge）

与 WBI 相同：Recharge = decay(t_r, h_recharge)

分项 4：价值分（Value）

与 WBI 相同：Value = w_spend × ln(1 + spend_180d / M0) + w_bal × ln(1 + sv_balance / B0)

活跃新客抑制

近期高频到店的新客不需要催促，降低其排名权重：

若 visits_14d ≥ active_new_visit_threshold_14d 且 t_v ≤ active_new_recency_days:
    active_multiplier = active_new_penalty (默认 0.2)
否则:
    active_multiplier = 1.0

免打扰窗口乘数

价值分和充值分在进入免打扰窗口后才逐步生效：

touch_multiplier = clip(t_v / no_touch_days, 0, 1)

Display Score 归一化

NCI 产出 3 个 Display Score：

display_score：总分归一化（使用 EWMA 平滑）
display_score_welcome：欢迎分归一化（不平滑）
display_score_convert：转化分归一化（不平滑）

默认权重

参数	默认值	含义
`w_welcome`	1.0	欢迎建联权重
`w_need`	1.6	紧迫度权重
`w_re`	0.8	充值压力权重
`w_value`	1.0	价值权重

DWS_RELATION_INDEX — 关系指数（RS/OS/MS/ML）

属性	值
任务代码	`DWS_RELATION_INDEX`
Python 类	`RelationIndexTask`（`tasks/dws/index/relation_index_task.py`）
继承链	`BaseTask → BaseDwsTask → BaseIndexTask → RelationIndexTask`
目标表	`billiards_dws.dws_member_assistant_relation_index`
主键	`site_id, member_id, assistant_id`
指数类型	RS / OS / MS / ML（单任务产出四个子指数）
更新策略	按门店全量刷新（先 DELETE WHERE site_id = %s，再 INSERT）

业务含义

关系指数以"会员-助教"关系对为粒度，一次执行产出 4 个子指数：

子指数	全称	含义
RS	Relation Strength	关系强度——衡量会员与助教之间的服务关系紧密程度
OS	Ownership Share	归属份额——确定会员的"主责助教"归属关系
MS	Momentum Score	升温动量——衡量关系是在升温还是降温
ML	Money Link	付费关联——基于人工台账的付费归因强度

数据来源

数据	来源表	说明
服务记录	`billiards_dwd.dwd_assistant_service_log`	RS/MS 的核心数据源
助教维度	`billiards_dwd.dim_assistant`	通过 user_id 关联获取 assistant_id
人工台账	`billiards_dws.dws_ml_manual_order_alloc`	ML 的唯一数据源

会话合并

服务记录按 (member_id, assistant_id) 分组后，相邻服务间隔 ≤ session_merge_hours（默认 4 小时）的记录合并为一个会话（ServiceSession）。合并后保留：

会话起止时间、总时长
课程权重（激励课 course_weight = incentive_weight，默认 1.5；普通课 = 1.0）
是否包含激励课标记

子指数 1：RS（关系强度）

RS_raw = (w_f × F + w_d × D) × Gate(R)

分项	公式	含义
F（频次）	`Σ course_weight × decay(days_ago, halflife_session)`	加权会话频次
D（时长）	`Σ √(duration_min / 60) × course_weight × decay(days_ago, halflife_session)`	加权服务时长
R（近期性）	`decay(days_since_last_session, halflife_last)`	最近一次服务的时间衰减
Gate	`R^gate_alpha`	近期性门控，无近期服务则整体压低

默认参数：halflife_session=14, halflife_last=10, w_f=1.0, w_d=0.7, gate_alpha=0.6

子指数 2：OS（归属份额）

OS 不是独立计算的 Raw Score，而是基于 RS_raw 的份额分配：

筛选 rs_raw ≥ min_rs_raw_for_ownership（默认 0.05）的关系对
计算份额：os_share = rs_raw / Σ rs_raw（同一会员下所有合格助教）
若 Σ rs_raw < min_total_rs_raw（默认 0.10），标记为 UNASSIGNED

归属标签判定规则：

标签	条件
`MAIN`	第一名份额 ≥ `ownership_main_threshold`（0.60）且与第二名差距 ≥ `ownership_gap_threshold`（0.15）
`COMANAGE`	份额 ≥ `ownership_comanage_threshold`（0.35）但不满足 MAIN 条件
`POOL`	其余合格关系对
`UNASSIGNED`	总 RS 不足，无法形成稳定归属

子指数 3：MS（升温动量）

衡量关系是在升温（MS > 0）还是降温（MS ≈ 0）：

f_short = Σ course_weight × decay(days_ago, halflife_short)    # 短期半衰期 7 天
f_long  = Σ course_weight × decay(days_ago, halflife_long)     # 长期半衰期 30 天
MS_raw  = max(0, ln(f_short + ε) / (f_long + ε))

短期频次高于长期频次时 MS 为正，表示关系在升温。

子指数 4：ML（付费关联）

以人工台账窄表（dws_ml_manual_order_alloc）为唯一数据源：

ML_raw = Σ ln(1 + allocated_amount / amount_base) × decay(days_ago, halflife_recharge)

参数	默认值	含义
`amount_base`	500	金额压缩基准
`halflife_recharge`	21 天	充值半衰期

若某 (member_id, assistant_id) 对仅在台账中出现而无服务记录，会自动创建关系对。

Display Score 归一化

RS、MS、ML 各自独立归一化到 0-10 分，分位历史按 index_type 隔离（分别记录 RS/MS/ML 的分位点）。OS 不做归一化，直接输出份额和标签。

DWS_ML_MANUAL_IMPORT — ML 人工台账导入

属性	值
任务代码	`DWS_ML_MANUAL_IMPORT`
Python 类	`MlManualImportTask`（`tasks/dws/index/ml_manual_import_task.py`）
继承链	`BaseTask → BaseDwsTask → BaseIndexTask → MlManualImportTask`
目标表	`billiards_dws.dws_ml_manual_order_source`（宽表）+ `billiards_dws.dws_ml_manual_order_alloc`（窄表）
主键	宽表：`site_id, external_id, import_scope_key, row_no`；窄表：`site_id, external_id, assistant_id`
指数类型	`ML`
更新策略	按 scope 先删后写（DAY 或 P30 批次覆盖）

业务含义

ML 人工台账导入是一个工具型任务，用于将运营人员手工整理的订单-助教归因数据导入系统。导入后的数据作为 DWS_RELATION_INDEX 任务中 ML 子指数的唯一数据源。

该任务不依赖时间窗口，由调度器以工具任务方式直接触发。

文件路径解析

按以下优先级查找台账文件：

配置项 run.ml_manual_ledger_file
配置项 run.ml_manual_file
环境变量 ML_MANUAL_LEDGER_FILE

Excel 模板格式

台账文件为 .xlsx 格式，第一行为表头，第二行起为数据。模板列定义：

列名	类型	必填	说明
`site_id`	int	否（默认取配置）	门店 ID
`biz_date`	date	是	业务日期
`external_id`	string	是	外部订单 ID（唯一标识）
`member_id`	int	否	会员 ID
`pay_time`	datetime	否（默认取 biz_date）	支付时间
`order_amount`	decimal	否	订单金额
`currency`	string	否（默认 CNY）	币种
`assistant_id_1` ~ `assistant_id_5`	int	否	助教 ID（最多 5 个）
`assistant_name_1` ~ `assistant_name_5`	string	否	助教姓名
`remark`	string	否	备注

导入逻辑

1. 读取与规范化

使用 openpyxl 读取 Excel，跳过空行
每行规范化：类型转换、缺省值填充、助教列表提取
external_id 为必填，缺失则抛出 ValueError

2. 助教分摊

同一订单支持最多 5 个助教归因，默认均分：

share_ratio = 1 / N
allocated_amount = order_amount × share_ratio

3. 覆盖策略（ImportScope）

根据 biz_date 与当前日期的距离，采用不同的覆盖粒度：

条件	scope_type	覆盖范围	说明
`today - biz_date ≤ 30 天`	`DAY`	单日	按 `site_id + biz_date` 日覆盖
`today - biz_date > 30 天`	`P30`	30 天批次	以固定纪元（2026-01-01）为锚点，按 30 天分桶

P30 分桶算法：

bucket_index = (biz_date - EPOCH_ANCHOR).days // 30
bucket_start = EPOCH_ANCHOR + bucket_index × 30 天
bucket_end   = bucket_start + 29 天

4. 写入流程

按 scope 删除旧数据（宽表 + 窄表）
插入宽表（dws_ml_manual_order_source）
Upsert 窄表（dws_ml_manual_order_alloc），冲突键为 (site_id, external_id, assistant_id)
提交事务

5. 导入批次号

格式：MLM_<YYYYMMDDHHmmss>_<uuid8>，如 MLM_20260215143022_a1b2c3d4

导入用户按优先级取：环境变量 ETL_OPERATOR → USERNAME → USER → "system"

cfg_index_parameters 配置表

所有指数任务的算法参数统一存储在 billiards_dws.cfg_index_parameters 表中，支持按时间生效和历史追溯。

表结构

字段	类型	说明
`param_id`	SERIAL PK	自增主键
`index_type`	VARCHAR(50) NOT NULL	指数类型：`RS` / `OS` / `MS` / `ML` / `NCI` / `WBI`
`param_name`	VARCHAR(100) NOT NULL	参数名称
`param_value`	NUMERIC(14,6) NOT NULL	参数值
`description`	TEXT	参数说明
`effective_from`	DATE NOT NULL	生效起始日期（默认当天）
`effective_to`	DATE	生效截止日期（NULL = 永久有效）
`created_at`	TIMESTAMPTZ	创建时间
`updated_at`	TIMESTAMPTZ	更新时间

唯一约束：(index_type, param_name, effective_from)

索引：idx_cfg_index_params_type（index_type）、idx_cfg_index_params_effective（effective_from, effective_to）

参数加载逻辑

SELECT param_name, param_value
FROM billiards_dws.cfg_index_parameters
WHERE index_type = %s
  AND effective_from <= CURRENT_DATE
  AND (effective_to IS NULL OR effective_to >= CURRENT_DATE)
ORDER BY effective_from DESC

同一 param_name 若有多条生效记录，取 effective_from 最新的一条（代码中通过 seen 集合去重）。

参数调优方式

新增一条 effective_from 为新日期的记录即可覆盖旧参数，旧记录自动失效（无需删除）。如需回滚，将新记录的 effective_to 设为过去日期即可。

WBI 参数清单

参数名	默认值	说明
`lookback_days_recency`	60	近期活跃判定窗口（天）
`visit_lookback_days`	180	到店记录回溯窗口（天）
`percentile_lower` / `percentile_upper`	5 / 95	归一化分位点
`compression_mode`	0	压缩模式（0=无/1=log1p/2=asinh）
`use_smoothing`	1	是否启用 EWMA 分位平滑
`ewma_alpha`	0.2	EWMA 平滑系数
`new_visit_threshold`	2	新客到店次数阈值
`new_days_threshold`	30	新客首访天数阈值
`recharge_recent_days`	14	近期充值窗口（天）
`new_recharge_max_visits`	10	充值新客最大到店次数
`overdue_alpha`	2.0	超期 CDF 幂指数
`overdue_weight_halflife_days`	30	超期加权 CDF 间隔半衰期（天）
`overdue_weight_blend_min_samples`	8	加权 CDF 最小样本数
`h_recharge`	7	充值衰减半衰期（天）
`amount_base_M0`	300	消费金额压缩基准
`balance_base_B0`	500	余额压缩基准
`value_w_spend` / `value_w_bal`	1.0 / 1.0	价值分中消费/余额权重
`w_over` / `w_drop` / `w_re` / `w_value`	2.0 / 1.0 / 0.4 / 1.2	四分项权重
`recency_hard_floor_days`	14	近期硬抑制天数
`recency_gate_days`	14	Sigmoid 门控中心（天）
`recency_gate_slope_days`	3	Sigmoid 门控斜率（天）
`enable_stop_high_balance_exception`	0	是否启用 STOP 高余额例外
`high_balance_threshold`	1000	高余额阈值（元）

NCI 参数清单

参数名	默认值	说明
`lookback_days_recency`	60	近期活跃判定窗口（天）
`visit_lookback_days`	180	到店记录回溯窗口（天）
`percentile_lower` / `percentile_upper`	5 / 95	归一化分位点
`compression_mode`	0	压缩模式
`use_smoothing`	1	是否启用 EWMA 分位平滑
`ewma_alpha`	0.2	EWMA 平滑系数
`no_touch_days_new`	3	免打扰窗口（天）
`t2_target_days`	7	二访目标天数
`salvage_start` / `salvage_end`	30 / 60	挽救系数衰减区间（天）
`welcome_window_days`	3	欢迎建联窗口（天）
`active_new_visit_threshold_14d`	2	活跃新客 14 天到店阈值
`active_new_recency_days`	7	活跃新客近期天数
`active_new_penalty`	0.2	活跃新客抑制系数
`h_recharge`	7	充值衰减半衰期（天）
`amount_base_M0` / `balance_base_B0`	300 / 500	价值分压缩基准
`value_w_spend` / `value_w_bal`	1.0 / 0.8	价值分权重
`w_welcome` / `w_need` / `w_re` / `w_value`	1.0 / 1.6 / 0.8 / 1.0	分项权重

RS 参数清单

参数名	默认值	说明
`lookback_days`	60	服务行为回溯窗口（天）
`session_merge_hours`	4	会话合并阈值（小时）
`incentive_weight`	1.5	激励课权重
`halflife_session`	14	会话半衰期（天）
`halflife_last`	10	最近服务半衰期（天）
`weight_f` / `weight_d`	1.0 / 0.7	频次/时长权重
`gate_alpha`	0.6	近期性门控指数
`percentile_lower` / `percentile_upper`	5 / 95	归一化分位点
`compression_mode`	1	压缩模式（默认 log1p）
`use_smoothing` / `ewma_alpha`	1 / 0.2	EWMA 平滑

OS 参数清单

参数名	默认值	说明
`min_rs_raw_for_ownership`	0.05	参与归属计算的最小 RS_raw
`min_total_rs_raw`	0.10	形成稳定归属的最小 sum_rs
`ownership_main_threshold`	0.60	主责份额阈值
`ownership_comanage_threshold`	0.35	共管份额阈值
`ownership_gap_threshold`	0.15	主责与次席差距阈值
`eps`	0.000001	数值稳定项

MS 参数清单

参数名	默认值	说明
`lookback_days`	60	服务行为回溯窗口（天）
`session_merge_hours`	4	会话合并阈值（小时）
`incentive_weight`	1.5	激励课权重
`halflife_short` / `halflife_long`	7 / 30	短期/长期半衰期（天）
`eps`	0.000001	数值稳定项
`percentile_lower` / `percentile_upper`	5 / 95	归一化分位点
`compression_mode`	1	压缩模式（默认 log1p）
`use_smoothing` / `ewma_alpha`	1 / 0.2	EWMA 平滑

ML 参数清单

参数名	默认值	说明
`lookback_days`	60	充值行为回溯窗口（天）
`amount_base`	500	金额压缩基准
`halflife_recharge`	21	充值半衰期（天）
`percentile_lower` / `percentile_upper`	5 / 95	归一化分位点
`compression_mode`	1	压缩模式（默认 log1p）
`use_smoothing` / `ewma_alpha`	1 / 0.2	EWMA 平滑

种子数据脚本：database/seed_index_parameters.sql DDL 定义：database/schema_dws.sql（第 21 节）

27 KiB Raw Blame History Unescape Escape

INDEX 层任务详解

概述

BaseIndexTask 公共机制

继承层次

子类必须实现的抽象方法

核心能力

1. 半衰期时间衰减函数

2. 分位数计算与截断（Winsorize）

3. 0-10 归一化映射

4. 算法参数加载

5. 分位点历史管理（EWMA 平滑）

6. 统计工具方法

MemberIndexBaseTask 会员指数共享基类

会员活动特征（MemberActivityData）

数据来源

会员分群（classify_segment）

DWS_WINBACK_INDEX — 老客挽回指数（WBI）

业务含义

计算范围

算法概要

分项 1：超期紧急性（Overdue）

分项 2：降频分（Drop）

分项 3：充值未回访压力（Recharge）

分项 4：价值分（Value）

近期抑制（Suppression）

默认权重

DWS_NEWCONV_INDEX — 新客转化指数（NCI）

业务含义

计算范围

算法概要

欢迎建联分（Welcome）

转化召回分（Convert）

分项 1：紧迫度（Need）

分项 2：挽救系数（Salvage）

分项 3：充值未回访压力（Recharge）

分项 4：价值分（Value）

活跃新客抑制

免打扰窗口乘数

Display Score 归一化

默认权重

DWS_RELATION_INDEX — 关系指数（RS/OS/MS/ML）

业务含义

数据来源

会话合并

子指数 1：RS（关系强度）

子指数 2：OS（归属份额）

子指数 3：MS（升温动量）

子指数 4：ML（付费关联）

Display Score 归一化

DWS_ML_MANUAL_IMPORT — ML 人工台账导入

业务含义

文件路径解析

Excel 模板格式

导入逻辑

1. 读取与规范化

2. 助教分摊

3. 覆盖策略（ImportScope）

4. 写入流程

5. 导入批次号

cfg_index_parameters 配置表

表结构

参数加载逻辑

参数调优方式

WBI 参数清单

NCI 参数清单

RS 参数清单

OS 参数清单

MS 参数清单

ML 参数清单

27 KiB

Raw Blame History