北京
分享至
外卖平台Swiggy自研了一套预测用户终身价值（pLTV）的模型，输入特征超过350个，覆盖用户下单前的各类行为信号。这套系统同时服务外卖业务Food和即时零售Instamart两个场景。
一个关键设计：多任务学习
模型采用多任务MLP（多层感知机）架构，在预测用户价值的同时，把"订单数量"作为辅助任务一起训练。这个看似简单的改动，效果出乎意料——模型参数直接减少了63%，预测性能反而提升了。
参数减少意味着模型更轻量，训练和推理成本更低。而性能提升，则说明辅助任务帮助模型学到了更本质的用户行为规律，而不是死记硬背特征组合。
这套信号用在哪？
pLTV预测值被接入Google的Target ROAS智能出价策略，用来优化新客获取环节。简单说，系统会根据每个用户预估的长期价值，动态调整广告出价，把预算花在更值得获取的用户身上。
这套自研方案的价值在于：不依赖第三方数据，完全基于平台自身的下单前特征做预测，既控制了成本，又保持了数据自主性。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
