夜雨聆风
Dating App的个性化用户流失模型 如何定义呢?- 为啥有人找到真爱,有人用了怀疑人生呢
- 目标变量 (Target) –
用户从这一刻起，未来 90 天（或 180 天）预计产生的总收入（订阅费 + 增值消费）。 模型需要同时衡量：他流失的可能性, 他如果不走会花多少钱。
最推荐的方案是 Multi-Task Neural Network 或 Weighted GBT。我们首先选择加权决策树 (Weighted Gradient Boosted Trees) —— 推荐。（这个只能做基本的分类 Churn / not Churn）
-
在训练时，给予“高消费用户”更高的权重。 - 逻辑 –
让模型如果猜错一个“土豪用户”是否流失，会受到比猜错“ 免费用户”大得多的惩罚（Loss）。 这样训练出来的模型会极度敏锐地捕捉高端用户的流失信号。
多任务神经网络 (MTL Neural Network)
- 底座
：共享的用户行为特征表示（Shared Representation）。 - 头 1 (Classification Head)
：预测流失概率。 - 头 2 (Regression Head)
：预测未来消费金额。 - 输出
：将两者相乘，直接得到每个用户的“价值预期”。
特征工程
price_elasticity（avg_monthly_spend 的方差（方差小意味着是稳定的订阅用户，价值更高）。3. 价值等级：RFM 分数（Recency, Frequency, Monetary）。关键商业逻辑：避免“榨干”用户 吗？-
目标函数应该是 Maximize (LTV) subject to (Match_Success_Rate > X)。 -
即：在保证用户脱单成功率的前提下，去优化我们的收入。
总结：优化 LTV 的流失模型比普通流失模型更有钱味，但也更危险。建议先尝试 “加权随机森林”，这种方案最稳，效果提升也最立竿见影。