Purchase Intent Prediction — 买家购买意图预测：从行为序列到转化概率
Skill-Purchase-Intent-Prediction · 14-用户分析
causalexperimentforecastingrecommendationpricing广告与投放客服与VOC推荐与搜索定价与利润WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-F 动态定价WF-H 复购增长WF-I 智能体工程WF-J DTC 独立站增长
年化 ROI¥30-80 万
实现难度⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / 用户增长负责人 · CMO · 产品经理
适用平台Amazon 买家分层 · DTC 站 LTV 预测 · Klaviyo/Brevo 邮件分群
什么情况下用有大量老客户，但不知道谁是高价值客户、谁快要流失；新客获取成本越来越高，老客复购却上不去
成功是什么样的用户按 RFM/LTV 分层精准触达，高价值用户留存率提升，老客贡献收入占比从 30% 提升到 50%
业务痛点
1. 解决的问题
独立站每月800个弃购用户全部发同一封挽回邮件点击率仅4%——买家意图预测只对高意图用户（P>0.7）精准触达CVR从4%提升到12-18%，年化GMV增益30-80万元同时降低低意图用户退订率
2. 核心算法逻辑
购买意图（Purchase Intent）≠ 购买兴趣（Purchase Interest）：
3. 业务应用场景
业务问题：独立站每月约 800 个用户加购后未付款，平均客单价 $149。传统做法是给所有弃购用户发同一封挽回邮件，点击率仅 4%。实际上 70% 的弃购用户已经离开决策窗口，只有 30% 还在"考虑购买"阶段。
数据要求： - 用户行为序列（浏览/加购/结账/购买的时间戳） - 用户历史购买记录（频率/客单价/品类偏好） - 当前 session 行为（近 24 小时）
预期产出： - 每个弃购用户的购买意图评分（0-1） - 高意图用户名单（P > 0.7）：24h 内发挽回邮件 - 中意图用户名单（0.4-0.7）：3 天内发限时优惠 - 低意图用户（< 0.4）：不触达（降低退订率）
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 弃购挽回精准化（只触达高意图用户）：CVR 从 4% → 12-18%，月增收 ¥8-25 万
- DSP 再营销出价优化：ROAS 提升 20-35%，月节省无效广告 ¥3-10 万
- 减少低意图用户骚扰：退订率降低，长期邮件健康度提升
- 年化综合 ROI：¥30-80 万
- 实施难度：⭐⭐⭐☆☆（需要用户行为埋点基础设施；规则加权版 2 周，ML 版本约 4 周）
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
Purchase Intent Prediction
CATS 框架：聚类聚合 + 时序建模的买家意图预测
"""
import numpy as np
from collections import defaultdict
from dataclasses import dataclass
# 行为权重（意图信号强度）
BEHAVIOR_WEIGHTS = {
'view_product': 0.05,
'view_detail': 0.10,
'search_price': 0.15,
'compare': 0.20,
'add_wishlist': 0.25,
'add_cart': 0.50,
'start_checkout': 0.80,
'return_checkout': 0.90,
'purchase': 1.00,
}
@dataclass
class UserSession:
user_id: str
events: list # [{'action': str, 'timestamp': float, 'price': float}]
history_purchases: int = 0
days_since_last_purchase: float = 30.0
def compute_intent_timeseries(events: list, window_days: int = 7) -> np.ndarray:
"""计算用户近期行为的意图时序（每日意图强度）"""
if not events:
return np.zeros(window_days)
now = max(e['timestamp'] for e in events)
daily_intent = np.zeros(window_days)
for event in events:
days_ago = (now - event['timestamp']) / 86400 # 秒转天
if days_ago < window_days:
day_idx = min(int(days_ago), window_days - 1)
weight = BEHAVIOR_WEIGHTS.get(event.get('action', 'view_product'), 0.05)
daily_intent[window_days - 1 - day_idx] += weight
# 归一化
max_val = max(daily_intent.max(), 1e-8)
return daily_intent / max_val
def cluster_user_style(history_purchases: int, days_since_last: float,
avg_session_events: float) -> str:
"""用户购买风格聚类（简化版）"""
if history_purchases >= 5 and days_since_last < 30:
return 'loyal_active' # 忠诚活跃用户：高频购买
elif history_purchases >= 2 and avg_session_events > 8:
return 'deliberate' # 谨慎型：行为多但购买频率适中
elif history_purchases == 0 and avg_session_events > 5:
return 'new_high_intent' # 新用户高意图8. 论文来源
- 2505.13558