预测
预测功能会根据购买历史和行为对每位客户进行评估：RFM 分组、流失风险、购买概率、预期收入、互动度、弃购风险。结果以普通属性的形式写入档案，因此可以立即在分群、旅程和消息模板中使用。
在菜单中打开数据 → 预测。所有拥有分析访问权限的角色都可以查看该页面，“管理员”和“所有者”可以修改设置并启动重新计算。
如何启用预测
选择购买事件后，系统开始计算预测。
- 打开预测。如果 OneTrace.pro 发现了类似的事件（例如带有
amount属性的order_completed），顶部会显示提示，请点击使用。 - 在什么算作购买模块中选择：
- 购买事件：表示已下单的事件；
- 购买金额：包含订单金额的数字属性。没有它，将无法计算购买总额、RFM 中的金额评分和收入预测；
- 购买概率预测期：7、14、30、60 或 90 天，即预测在多长时间内发生购买。
- 在活跃度模型使用的行为模块中，如有相应事件，请指定商品浏览事件和加入购物车事件。有了这些事件，预测会更准确；只有选择了加购事件，才会计算弃购风险。
- 概率模型请保持自动：OneTrace.pro 会为您的项目自动选择更准确的模型。
- 点击保存。首次计算会立即开始，通常需要几分钟。
何时重新计算
预测每晚重新计算一次：购买数据统计项目的全部历史，活跃度数据统计最近 90 天。修改设置后会立即开始计算，重新计算按钮可以手动启动计算，例如在导入或迁移订单历史之后。
最近 90 天内有活动的客户和访客会获得这些属性。只有发生变化的值才会写入档案，每次变化都可能触发以“属性变更”为触发器的旅程。
会生成哪些属性
| 属性 | 含义 |
|---|---|
rfm_recency、rfm_frequency、rfm_monetary |
最近一次购买的新近度、购买次数和金额的 1–5 分评分；5 分最好 |
rfm_segment |
RFM 分组：champions、loyal、at_risk、lost 等 |
purchase_count、total_revenue、last_purchase_at |
购买次数、购买总额和最近一次购买时间 |
churn_risk |
流失风险，0 到 1 |
purchase_probability |
在所选预测期内购买的概率，0 到 1 |
predicted_revenue |
预测期内来自该客户的预期收入（客户未来价值估算，CLV） |
next_purchase_days |
客户很可能在多少天后再次购买 |
engagement_score |
基于 30 天内活动的互动度，0–100；0 表示 30 天内未访问 |
last_activity_at、sessions_30d、product_views_30d |
最近活动时间，以及 30 天内的会话数和商品浏览数 |
cart_abandon_risk |
最近 7 天内加入购物车的商品不会被购买的概率；购买后清除 |
包含说明的完整列表见页面底部的档案属性模块。
RFM 分组
| 界面中的分组 | rfm_segment 的值 |
客户特征 |
|---|---|---|
| 冠军客户 | champions |
购买频繁且最近有购买 |
| 忠诚客户 | loyal |
定期购买的客户 |
| 潜在忠诚客户 | potential_loyalists |
最近的客户，已进行第二次购买 |
| 新客户 | new_customers |
最近有一次购买 |
| 有潜力客户 | promising |
一次购买，时间较近 |
| 需要关注 | need_attention |
新近度和频率中等 |
| 即将沉睡 | about_to_sleep |
一次购买，很久没有回来 |
| 不能失去的客户 | cant_lose |
过去购买非常频繁，但已很久没有出现 |
| 有流失风险 | at_risk |
购买很多，但已是很久以前 |
| 休眠客户 | hibernating |
购买稀少且时间久远 |
| 已流失 | lost |
很久以前的一次购买 |
页面内容
- 模型：计算状态、所选模型、客户数和未购买访客数、预测期内的收入预测、未结购物车数量、变化的档案数量以及计算时间。
- RFM 分群：每个分组中的客户数量。
- 概率分布：各流失风险和购买概率区间中的客户数量。
- 互动度：
engagement_score的分布。
模型质量
OneTrace.pro 会用过去的数据检验预测：以“一个预测期之前”的日期构建预测，并与之后实际发生的情况进行比较。
- 模型比较：两个模型在同一批客户上的指标。AUC 表示模型区分购买者和非购买者的能力（0.5 相当于随机猜测，越接近 1 越好）。Log-loss 和 Brier 表示概率本身的准确度，数值越小越好。在“自动”模式下，会选择 log-loss 较小的模型，并以粗体显示。
- 概率校准：各客户组中预测的购买比例与实际购买比例。“预测”和“实际”柱越接近，就越可以在分群规则中信赖这些概率。
- 影响购买的因素：哪些特征会提高或降低购买概率：活跃天数、未结购物车、距最近一次购买的时间等。
如何使用预测
在分群编辑器中添加属性条件，并选择预测属性：
- “流失中的高价值客户”：
rfm_segment为at_risk、cant_lose之一，用于带个性化折扣的唤回旅程； - “即将购买”：
purchase_probability大于 0.6，无需给他们折扣，提醒即可； - “流失风险高”：
churn_risk大于 0.7 且engagement_score小于 20； - “弃购”：
cart_abandon_risk大于 0.5。
预测属性也可以在旅程（条件和“属性变更”触发器）和消息模板中使用，例如 {{ traits.purchase_probability }}。
注意事项
- 计算概率需要历史数据：购买模型需要至少 50 位客户（其中 10 位有复购），活跃度模型需要至少 200 个档案。数据不足时，状态显示为“数据不足”，只会计算 RFM 评分、计数和互动度。
- 同一天内的多次购买计为一次。
- 模型不考虑季节性和促销活动：大促之后，概率在一段时间内会滞后于实际情况。请用它来比较客户之间的相对高低，而不要把概率当作精确预测。
- 退货不会从购买次数中扣除。
- 请勿通过 API 或导入修改预测属性：下次计算时它们会被覆盖。