第一步分三屏
1Playbook
2按背景排
3对客户的库
人数与贡献度均为示意数据
T0 历史时点
2026 年 1 月 1 日
T1 观察期结束
应用时点：拿最新的沉睡客来打分
2026 年 10 月 1 日
样本
留出 20%
模型看不到
模型看不到
进候选池的字段锈红虚线是第一步预判优先的字段，蓝色深浅是模型给出的字段贡献度
Ember
沉睡客召回系统
从字段库到名单的一条链路。两个模型：一个回答会不会回来，一个回答以什么方式回来。前者用来排全年，后者用来排单次活动。
点任意一个模块进入，或点右下角开始
TA Scoring 模型字段集
美妆行业版仅线下2026 年 9 月版
行业版本
这一版里有什么
这份清单不是从零开始列的。它来自做过的线下召回项目：哪些字段在这个场景下值得放进池子，哪些算得出来，哪些要另外想办法。每做一个项目，清单往回补一次。
我们带来的预设
客户的数据库
正在读取客户的数据库马上开始逐条对表
六种情况点任意一行，只看这一类的连线
拖动红线，或点任意一档
回柜概率最高回柜概率最低
三条机制，十二个月点月份看那个月联系谁
第二步还没有训练回归模型
长期召回规划用的是回归模型给每位沉睡客打的分。先回第二步把模型训练出来，这里的人数和概率会跟着第二步的人群定义走。
这次怎么用模型左边每改一项，这里跟着变。改完重新打分，不用重新训练
本次名单
第二步还没有训练好的模型
单次活动圈人不训练模型，只取第二步训练好的来打分。先回第二步训练回归模型，再至少训练一个回归特异模型。训练好哪个 label，这里就能选哪类活动。