Swiggy 基于 350 多个特征与多任务 MLP 实现客户终身价值预测

Swiggy开发了一款预测客户终身价值（pLTV）模型，用于估算食品配送及Instamart即时零售新客户的长期价值。该模型在客户首单前生成参考指标，使Swiggy能基于预测价值优化广告出价，而非依赖短期转化数据。 由于早期特征稀疏且目标分布偏斜，建模颇具挑战。大量新用户注册后30天内无订单，但少数用户贡献极高价值。方案采用超350个特征，涵盖获客渠道、设备信号、地域行为、投诉记录、品类偏好、支付模式及社会经济指标，全部来自首单前可获取的信息。 模型采用多层感知机架构，三层共享隐藏层学习通用表征，后接外卖与Instamart业务专属输出头，同时将订单数作为辅助任务。四输出头模型参数量从36.3万降至13.5万，降幅63%，精度反有提升。 因存在大量零价值用户及长尾分布，Swiggy改用十分位数匹配频次评估排序能力。模型在两业务中斯皮尔曼系数均超0.75，对角覆盖率70%至80%。实际应用中，Swiggy将pLTV信号与谷歌tROAS竞价结合，并自研模型与第三方平台对比，前者带来更高留存率和总订单价值。下一步将从点估计转向概率性预测，刻画价值不确定性。