Swiggy 开发了一个预测客户终身价值（pLTV）模型，用于估算其食品配送和 Instamart 即时零售业务中新客户的长期价值。该模型会在客户下首单之前生成有效参考指标，让 Swiggy 能够基于预测价值优化广告出价，而不再单纯依赖短期转化指标。
Swiggy pLTV 模型架构（来源：Swiggy 博客文章）
预测问题因早期特征数据稀疏和目标分布高度偏斜而变得复杂。Swiggy 指出，大量新用户在注册后的前 30 天内不会产生任何订单，但会有一小部分用户能够贡献极高的终身价值。因此该模型需要能够区分那些初期看起来表现相近但后续下单行为模式会走向分化的用户群体。
Swiggy 的方案采用超过 350 个特征，涵盖了多个维度，包括获客渠道、设备与风险欺诈信号、地域行为、投诉历史、Instamart 品类偏好、下单行为、支付模式以及社会经济指标。全部特征均由用户首单产生之前即可获取的信息生成，以此满足广告系统的冷启动需求。
Swiggy 高级数据科学家 Soumyajyoti Banerjee 在 LinkedIn 帖子中强调了这一权衡：
出人意料的是：增加第二个预测任务反而使模型体积缩小了 63%，同时预测精度还得到提升。
该模型采用了相对简单的多层感知机，而非更复杂的架构。三层共享隐藏层为多个预测任务学习通用表征，之后再接分别服务于外卖业务与 Instamart 业务的任务专属输出头。Swiggy 还将订单数量作为辅助预测任务，与生命周期价值一同建模。最终得到的四输出头模型不仅效果小幅提升，参数量还从 36.3 万降至 13.5 万，降幅达 63%。
Swiggy 工程师 Jayshmi A 表示，由于存在大量价值为零的用户，同时用户价值呈现长尾分布，平均绝对误差、平均绝对百分比误差这类传统回归指标不足以用来评估该模型。因此 Swiggy 转而评估模型能否按照用户价值完成正确排序。评估方式是将预测值与真实值各划分为十分位数，统计用户落在预测分组与真实分组相互匹配的频次。
问题不在于生成分数，而在于生成一个能在稀疏早期信号中站得住脚的分值。
该模型在食品配送和 Instamart 两个业务中均取得了高于 0.75 的斯皮尔曼相关系数，价值十分位数的对角覆盖率达到了 70% 至 80%。
pLTV 十分位覆盖率或预测热力图（来源：Swiggy 博客文章）
在实际应用中，Swiggy 将 pLTV 预测信号与谷歌的目标广告支出回报率（tROAS）竞价策略结合使用。预期的工作流程是按预测价值对客户进行排序，再由广告系统基于该排名进行差异化出价。
Swiggy 还在生产环境的 A/B 实验中将内部模型与第三方 pLTV 平台进行了对比。自研模型在不增加额外平台成本的情况下带来了更高的留存率和每获取用户的总订单价值，而外部平台则在每美元花费上获取了更多用户。
Swiggy 表示，下一阶段的工作将从点估计转向概率性 pLTV 预测，旨在刻画客户价值的不确定性并将其纳入广告出价决策中。
查看英文原文：https://www.infoq.com/news/2026/09/swiggy-pltv-multitask-mlp/
