Swiggy 用350+特征与多任务MLP预测客户终身价值

Swiggy开发了一个内部预测生命周期价值（pLTV）模型来估算其食品配送和Instamart即时零售业务新客户的长期价值。该模型旨在新客户首次下单前生成有用的信号，使Swiggy能够在广告竞价优化中使用预测价值，而不是依赖短期转化指标。

Swiggy pLTV模型架构（来源：Swiggy博客文章）

预测问题因早期信号稀疏和目标分布高度偏斜而变得复杂。Swiggy指出，大部分新用户在前30天内没有下任何订单，而相对较少的一部分用户产生了显著更高的生命周期价值。因此，该模型需要区分那些最初看起来相似但随时间发展出不同下单模式的用户。

Swiggy的方法使用了超过350个特征，涵盖多个方面，包括获取渠道、设备和欺诈信号、地理行为、投诉历史、Instamart品类偏好、订单行为、支付模式和社会经济指标。这些特征是根据客户首次下单前可用信息生成的，满足了广告系统的冷启动要求。

Soumyajyoti Banerjee，Swiggy的高级数据科学家，在LinkedIn的一篇帖子中强调了这种权衡，

要点在于：添加第二个预测任务使模型缩小了63%——而且变得更准确。

该模型使用相对简单的多层感知器，而非更复杂的架构。三个共享隐藏层跨预测任务学习表示，随后是针对Food和Instamart的任务特定头部。Swiggy还引入了订单数作为生命周期价值之外的辅助预测任务。由此产生的四头模型在将参数数量从363,000减少到135,000（减少63%）的同时，取得了略微更好的结果。

根据Swiggy的工程师Jayshmi A的说法，由于存在大量零价值用户和客户价值的长尾分布，传统的回归指标（如平均绝对误差和平均绝对百分比误差）不足以评估模型。相反，Swiggy评估了模型是否能按价值正确地对客户进行排序。评估将预测值和实际值分成十个十分位数，并衡量用户落入相应预测和实际分组的频率。

问题不在于产生一个分数；而在于产生一个能在稀疏早期信号中存活的分数。

该模型在Food和Instamart上的Spearman相关系数均超过0.75，跨价值十分位数的对角线覆盖率为70%至80%。

pLTV十分位数覆盖率或预测热力图（来源：Swiggy博客文章）

在生产环境中，Swiggy使用pLTV信号与Google的目标广告支出回报率（tROAS）竞价结合。预期的工作流程是按预测价值对客户进行排序，并允许广告系统根据该排序区分出价。

Swiggy还在生产环境的A/B实验中，将内部模型与第三方pLTV平台进行了比较。Swiggy的模型在每获取用户的留存率和总订单价值上更高，且没有额外的平台成本，而外部平台每美元支出获取的用户更多。

Swiggy表示，下一阶段的工作将从点估计转向概率性pLTV预测，旨在表示客户价值的不确定性，并将其纳入竞价决策。