在電商與外送平台競爭激烈的環境中，獲客成本的控制與使用者質量的篩選至關重要。印度領先的配送平台 Swiggy 面臨的一個核心挑戰是，如何更精準地評估新獲客的潛在價值，而非僅僅關注短期的轉單率。為了達成此目標，Swiggy 開發了一套內部預測終身價值模型，簡稱為 pLTV（Predicted Lifetime Value），旨在新客戶下第一筆訂單之前，就能預測其在食物配送與 Instamart 快遞電商業務中的長期價值。
這種預測能力的關鍵在於將預測結果直接對接到廣告出價系統。傳統的廣告投放往往依賴於短期轉換率等短期指標，但 pLTV 讓 Swiggy 能根據客戶的預期長期價值來調整出價策略，將預算優先投入在那些具有高潛力、能帶來長期高收益的客戶身上，從而提升整體投資報酬率。
預測新用戶的終身價值存在顯著的技術難點，最主要的問題在於早期信號的稀疏性與數據分佈的極度偏斜。在實際觀察中，大量新用戶在註冊後的前 30 天內完全沒有下單，而僅有少數比例的用戶會產生極高的終身價值。這意味著模型必須在極少量的初始資訊中，分辨出外表相似但未來行為模式截然不同的用戶。
為了克服冷啟動問題，Swiggy 構建了一個包含 350 多個特徵的特徵工程體系。這些特徵在客戶下單前即可獲取，涵蓋了獲客渠道、裝置資訊、欺詐信號、地理位置行為、投訴歷史、對 Instamart 特定類別的偏好、支付模式以及社會經濟指標。透過將這些多維度的數據整合，模型能夠在缺乏交易紀錄的情況下，建立起對用戶潛在價值的初步認知。
在模型架構上，Swiggy 並未選擇極其複雜的深度學習結構，而是採用了多層感知器（Multilayer Perceptron, MLP），這是一種基礎的前饋神經網路，透過多層非線性轉換來學習特徵之間的複雜關係。然而，其核心創新在於引入了多任務學習（Multi-Task Learning）機制。
Swiggy 發現，如果讓模型同時預測兩個目標：一是客戶的終身價值（LTV），二是預測訂單總數（Order Count）作為輔助任務，效果反而更好。該模型由三個共享的隱藏層組成，負責學習通用特徵表示，隨後分支出四個特定的預測頭（Task-specific heads），分別對應食物配送與 Instamart 的價值預測及訂單數預測。這種設計產生了出人意料的效果：模型參數從 36.3 萬個減少到 13.5 萬個，規模縮小了 63%，但預測準確度反而有所提升。這證明了輔助任務能起到正則化的作用，幫助模型在稀疏數據中學習到更強健的特徵。
由於 LTV 數據具有長尾分佈（少數人貢獻絕大部分價值）且包含大量零值，傳統的回歸指標如平均絕對誤差（MAE）或平均絕對百分比誤差（MAPE）無法有效衡量模型表現。因此，Swiggy 改用排名能力（Ranking Ability）作為評估標準。
他們將預測值與實際值各分為十個分位數（Deciles），並計算用戶落在對應分位數中的比例，以衡量預測排名與實際排名的吻合度。結果顯示，該模型在食物配送與 Instamart 業務上的 Spearman 相關係數均超過 0.75，且分位數對角線覆蓋率達到 70% 至 80%，證明模型能有效地將高價值用戶與低價值用戶區分開來。
在實務應用上，Swiggy 將 pLTV 信號整合進 Google 的目標廣告支出回報率（tROAS, target Return on Ad Spend）出價系統中。tROAS 是一種自動化出價策略，旨在根據預期的轉換價值來優化每次點擊的成本。透過 pLTV 的排名，廣告系統可以對高潛力用戶出更高價，對低潛力用戶降低出價。
在與第三方 pLTV 平台的 A/B 測試對比中，Swiggy 的自研模型在獲客後的留存率以及每個獲客用戶的總訂單價值（Gross Order Value）方面表現更優，且無需支付額外的平台費用。雖然第三方平台在單一美元獲客數量上佔優，但自研模型在獲客質量上具有顯著優勢。
儘管目前已取得成效，但該系統仍有進一步優化的空間。目前的模型提供的是點估計（Point Estimate），即預測一個具體的數值，但這無法反映預測的不確定性。Swiggy 未來的目標是將其轉向概率預測（Probabilistic Predictions），透過輸出價值分佈而非單一數值，將不確定性納入出價決策中，以進一步降低風險並提升資源分配的精準度。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。