客户何时回访，哪些信号真有用

给客户回访模型塞进消费价值、品类、地区和近期行为，就像给天气预报添更多仪表：信息看似丰富，却未必让“何时回来”更准。更麻烦的是，某个特征没有改善结果，可能是它确实无用，也可能只是模型根本识别不了它。

这篇论文提出“筛选后确认”：先植入一个强度已知的信号作为正向对照，确认模型能把它找回来，再检验真实特征。作者还用分类与连续两种编码，以及受时钟驱动的 NYC taxi 数据验证这套检查。这样，真实数据里的阴性结果才更有分量。

在 Amazon、Taobao、RetailRocket 和 Thumbtack 上，作者称，连续时间衰减——也就是让事件发生率随上次互动后的时间变化——已近乎够用；LTV、品类、RFM、日历和地区等信号叠加后，在公开数据集上对时间负对数似然没有统计增益，在市场数据上则无益或略有伤害。它的价值不只是说“少加特征”，而是先证明检验有能力看见信号，再相信“没有改善”。