STAN 用户生命周期自适应建模
Skill-User-Lifecycle-STAN · 06-增长模型
causalexperimentforecastingoptimizationrecommendation供应链与补货客服与VOC推荐与搜索WF-A 智能补货WF-C 客服分诊WF-E Review监控WF-F 动态定价WF-G Listing内容优化WF-H 复购增长
收录于用户增长决策手册
年化 ROI176万元
业务视角
适用角色CEO / 增长负责人 · CMO · 财务负责人
适用平台Amazon · TikTok Shop · DTC 独立站 · 多市场
什么情况下用公司增长放缓，不知道是市场饱和还是产品问题还是获客太贵；老板要 12 个月 GMV 预测，只能靠感觉
成功是什么样的建立增长拆解模型找到瓶颈，预测未来 6-12 个月营收区间，支撑融资/战略会议
业务痛点
1. 解决的问题
业务问题 母婴出海电商用户决策周期长（孕期到育儿多阶段），不同阶段用户需求差异巨大
2. 核心算法逻辑
用户在不同生命周期阶段对推荐任务有不同偏好。新用户需要探索，成熟用户需要精准推荐。STAN通过识别用户当前生命周期阶段，自适应调整多任务学习权重，实现"千人千面"的任务优化策略。
3. 业务应用场景
业务问题 母婴出海电商用户决策周期长（孕期到育儿多阶段），不同阶段用户需求差异巨大。新客需要品牌认知教育，老客需要复购推荐。统一策略导致新客流失快、老客触达疲劳。
数据要求 - 用户行为日志：页面浏览、商品点击、加购、下单、复购（最近90天） - 商品属性：品类（奶粉/尿布/辅食）、阶段（0-6月/6-12月/1-3岁）、品牌 - 时间特征：距首次访问天数、距上次购买天数
预期产出 - 每个用户的生命周期阶段标签（Awareness认知/Interest兴趣/Purchase购买/Loyalty忠诚） - 阶段转移概率矩阵（认知→兴趣转化率、兴趣→购买转化率等） - 分阶段推荐策略配置（各阶段任务权重自动调整）
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
- 模型开发：2-3周（1名算法工程师）
- 数据pipeline搭建：1-2周（1名数据工程师）
- 与现有推荐系统集成：1周
- 总计成本：约30-40人天
- 转化率提升 0.88% → GMV 1亿 × 0.88% × 20%毛利 = 176万元
- 停留时间提升 3.05% → 间接价值 50-100万元
7. 代码模板
代码块数量：1 · 路径：paper2skills-code/growth_model/user_lifecycle_stan
cd paper2skills-code/growth_model/user_lifecycle_stan
python3 model.py8. 论文来源
- 2306.12232