这家鞋服品牌的自有 App 不缺流量，缺的是判断：哪些人下个月就不会再打开、哪些人只是被一场大促拉回来的。数花用四组模型——活跃概率、权益增益、渠道偏好、触达时间——给每一层用户打出可解释的分数，把“全员发券”改成“按分数发券、按人配渠道、按天选时点”，让交易用户规模第一次变成可预测的增量。
项目启动时的盘点把问题归到一句话：品牌有会员体系、有券、有推送，唯独没有一套能回答“这个人下一步会不会动”的判断。六个问题里，五个不在数据量上。
客户画像
某鞋服品牌的自有 App，覆盖线上商城、门店自提、会员积分与新品首发。SKU 宽、季节性强、退换货比例高，用户的决策周期可以从种草拉到几周，也可以在一场大促里瞬间完成。
原来的做法
按活跃度粗分“活跃 / 不活跃”两级，券按人群包整层群发，渠道按排期表轮着上；触达预算跟着活动走。活动结束，既看不出谁是被推回来的，也看不出谁本来就会买。
我们的判断
鞋服的用户经营不是“把人叫回来”，是“别把本来会买的人当成不会买”。先认清楚谁在临界线上，再决定这张券给谁、从哪个渠道推、在哪一天推。
整层群发时，高活里那批“下月可能断”的人和低活里那批“刚被大促拉回来”的人混在一起，动作一样，效果也就一样模糊。
次月交易留存 82%，意味着每月有超过一百万人下个月不再回来。但等到月底看报表，人已经走了，能做的只剩复盘。
全面激活既不现实，也会把触达资源打空。真正该被唤醒的高潜用户，恰恰埋在这 114 万里最沉默的那一段。
券按预算发、按人头平均：本来就会买的人拿到了券，把成本变成折扣；需要有个人推一把的人，反而没拿到。
短信、push、外呼、站内弹窗轮着上，一个用户一个月被四个渠道打。转化没上去，退订率倒是上来了。
报告交付了，人群包没有接进投放系统，运营还是按老方式发券。模型从此躺在文件夹里，只在大促前被想起一次。
没有从“上一套模型”开始，而是从弄清品牌自己的口径开始：什么叫活跃、什么叫沉睡、什么叫流失。口径不统一，模型给的分数就没有意义。
把活跃、沉睡、流失三层口径按窗口重新对齐，同时验证三张底表能不能支撑时间窗口特征：能不能按周切、能不能回溯到人。
模型不是四个独立的报告，是一条链：活跃概率定“该不该打”，增益定“打哪张券”，渠道定“从哪打”，时间定“什么时候打”。
人群包直连投放系统，每周圈选、双周校准、每月重训。陪跑期结束，客户的分析师能自己出人群包，运营能自己看回流。
分层不是为了做报表，是为了让预算按层错位配置。四层的定义先对齐，模型才有共同的输入，投放才有共同的靶子。
近三个月每个月都有交易或访问。这一层不靠券靠服务，重点是把“下月可能断”的那段挑出来——他们不缺优惠，缺的是一个继续来的理由。
近三个月中有两个月活跃。这是摇摆段里最大的一群，也是最容易被打动的一群：一张权益、一个提醒，就可能改变下个月的行为。
近三个月只有一个月活跃。多数是被一场大促拉回来的人，再给一张同款券不会有效，要给的是“下一次”的理由：新品、换季、尺码复购。
近 12 个月活跃、近 3 个月不活跃。体量最大、成本最敏感，只能打高唤醒概率的那一段；全量唤醒等于把预算均匀撒掉。
口径说明：分层按自然月活跃口径统计，与“近三个月有交易或访问”的去重用户量存在差异，属统计口径差别。
四组模型不是四个独立报告，是一条决策链。缺任何一环，前面所有的分数都落不了地：知道该打谁，却不知道该给什么，等于没打。
按高活、中活、低活、沉睡分群，输出未来第 1 到第 4 周、以及区间组合的活跃概率，覆盖工作日与非工作日；流失概率即 1 减活跃概率。分数按周刷新，按层排序。
它回答的不是“谁会买”，是“谁因为这张券才买”。特征取自历史权益的点击、参与、核销，按券种分别建模，输出每个用户对每类权益的增量概率。
短信、App push、站内弹窗、AI 外呼各自建模，双目标：这个渠道能不能把他叫活跃、能不能让他核销。同一个用户只走首选的两种渠道，其余静默。
工作日与非工作日分两套模型。数据上的发现是：非工作日的点击率明显更高，两类人群的时段偏好也不同——所以推送不是“发出去就行”，是“在对的时段发”。
把用户按“有触达 / 无触达”两个状态切成四格，营销的重点就从“谁更可能买”变成“谁是因为这次触达才买”。这一步省下的预算，比多投几轮更值。
不推大概率不活跃，推了活跃概率明显上升。这是唯一值得用预算换的那一段，也是本案例圈人的主战场。
推不推都会回来。对他们发券等于把毛利换成折扣，正确动作是服务类触达：新品提醒、尺码建议、会员权益到账，不给钱给信息。
推与不推差别很小。这类人不该占用每周的投放额度，降频处理，把资源挪给敏感型。
越推越少的人。这类用户对营销本身反感，一次触达就可能拉低活跃。模型把他们标出来，是为了让运营对他们“什么都不做”。
判断口径：增益等于“有触达状态下的活跃概率”减去“无触达状态下的活跃概率”。四象限按增益符号与绝对值切分；同一用户在分层中的位置与在象限中的位置并不重合，两者叠加使用。
模型交付之后，真正的活是每周重复这五步。这五步也是陪跑期要交给客户的那套节奏，一步都不留给“下次再说”。
按四维分数在层内排序，只在分数处于临界的这一段取人，不做整层投放；分数过高的交给服务，过低的先不动。
调该人群历史增益最高的券种，而不是最贵的那张。券池里的权益位按人群增益排序后接入，不做平均分配。
按渠道偏好模型给首选与备选两个渠道，其余渠道静默；同一个月内不重复打同一个人，防打扰写进规则。
工作日与非工作日分两轨，按个人历史活跃时段推送；大促期单独排期，不混进日常节奏。
每日回流访问与交易，按周刷新分数、按双周校准阈值，把结果补进特征，下一轮的人群更准。
模型的交付不是一份报告，是一条从数据探查到大规模上线的路径。每个节点都有产出物，最后一个节点交付的是能力。
| 节点 | 阶段产出 | 关键动作 |
|---|---|---|
| T 周数据探查 | 底表可用 | 用户资料表、经营与交易表、App 埋点表维度探查；埋点数据分类，活跃与沉睡口径重定义。 |
| T+2 周特征生成 | 特征集成型 | 按日、周、月与渠道做时间窗口特征，编写特征 SQL，验证并筛出有效特征。 |
| T+3 周建模 | 两套模型跑通 | 活跃用户防流失建模，沉睡用户唤醒建模，按分群输出活跃概率。 |
| T+5 周测试验证 | 分数可用 | 用实际数据测试与验证，校准阈值，确定可投放的分数区间。 |
| T+7 周迭代上线 | 人群包直连投放 | 模型迭代后大规模使用，人群包接入投放系统，转入陪跑与周节奏运营。 |
实施节奏按周推进，覆盖从数据探查到模型上线的全过程；上线后转入周度圈选与月度重训。项目以驻场加远程建模的方式推进，客户的分析与运营团队全程参与，最后一周完成手册移交与培训。
单组模型的提升有限，值钱的是叠加：识别把人对准、增益把券配对、渠道与时间把触达配对，三段加在一起才是可交付的数。
| 模型环节 | 叠加提升 | 口径说明 |
|---|---|---|
| 防流失 · 基础识别模型 | +2.4% | 按分群活跃概率排序后优先触达 |
| 防流失 · 权益增益模型 | +3.6% | 按个人信息选券种，不按预算平均分 |
| 防流失 · 渠道与时间模型 | +2.4% | 首选渠道加时段匹配，其余渠道静默 |
| 沉睡唤醒 · 基础识别模型 | +1.8% | 只打高唤醒概率的那一段人群 |
| 沉睡唤醒 · 权益增益模型 | +2.4% | 沉睡样本稀疏，靠特征融合与衍生补足 |
| 沉睡唤醒 · 渠道与时间模型 | +1.2% | 低分段走外呼，其余走站内触达 |
| 整体叠加 | +8.4% | 对应月交易用户增量 18 万：防流失 12 万、唤醒 6 万 |
数据说明：应客户保密要求，本案例隐去品牌、平台、地域与全部人员信息，活动与券种做泛化处理；上述提升量为模型上线前按分层人数与历史回流测算的预估口径，并已按等比例做脱敏处理，保留原有比例与量级。
模型会重训，人群会漂移，这四条判断在我们后面的零售项目里反复用到。
活跃、沉睡、流失三个词如果没有统一的时间窗口，模型算的其实是三件不同的事。口径对齐是建模的第一步，也是最容易被跳过的一步。
分出四层只是把人群分开，值钱的是每层配不同的券、不同的渠道、不同的节奏。层分完还整层群发，等于没分。
把自然活跃型和反感型从投放名单里剔出去，省下的是真金白银。一个能说清“谁不该被打”的模型，比一个只会排序的模型更值钱。
没有每周回流、每月重训，模型三个月就失效。模型不是资产，是一门需要有人持续运营的手艺。
三个条件：有自有 App 或小程序沉淀行为数据、有可发的权益池、有人愿意每周看回流。三条都满足，这套结构就能迁移。
反向判断：用户量不足以支撑分层、没有自有触点、权益池无法按人配置的品牌，投入这套模型的边际收益有限，更适合先做标准化的会员分层与触达 SOP。
数花提供 40 分钟免费诊断：先看分层口径对不对齐、三张底表能不能支撑模型、券和渠道有没有接上，再判断该先做分层、先做模型，还是先补数据。诊断不收费，也不需要你先准备一份完整的材料。
分层解决的是“他在哪一层”，模型解决的是“他下一步会不会动”。同一层里的人，流失概率可以差好几倍：高活里有一批人连续几个月活跃、下个月就可能断；低活里也有一批人只是被一次大促拉回来的。本案例把分层的每一层再按未来四周的活跃概率排序，干预优先打给“分数在临界线上下”的那一段，而不是整层一起推。
因为鞋服的购买周期比餐饮、商超长，且受季节驱动。近三个月是当季窗口，近十二个月覆盖一个完整的换季周期：只在去年换季买过、今年当季没来的人，才是真正需要被唤醒的人。定义先对齐，模型才不会把“买过但淡季没来”的人误判成流失。
响应率模型回答“谁更可能买”，增益模型回答“谁是因为这次触达才买的”。前者会把本来就会买的人圈进来，预算花在他们身上等于白花；后者圈的是“不推就不买、推了才买”的那一段。本案例用四象限划分人群：营销敏感型重点投、自然活跃型只做服务、无感型降频、反感型直接排除。
本案例的底座是三张表：用户基本信息、经营与交易数据、App 埋点。够了。真正的门槛不在数据量，在三件事：时间窗口特征能不能按周、按月切出来；历史权益的点击、核销能不能回溯到人；渠道与触达记录能不能对上号。这三件事做完，模型才不是一次性的。
模型的寿命靠周节奏的迭代。本案例的做法是：上线后每天回流人群的访问与交易状态，按周补充特征、按双周校准阈值、按月重训。陪跑期把这一套节奏交给客户的分析师和运营，交付的不只是模型文件，还有一份模型迭代与人群准入的操作手册。
CDP 交付数据与标签，代运营交付活动执行，数花交付的是“数据→模型→人群包→权益→渠道→回流”的整条链路加机制。本案例既交付了四组模型与分层规则，也交付了每周圈选、每双周校准、每月重训的运营节奏，项目结束时客户自己出人群包。