Multi-output прогноз LTV-кривой
Как использовать свежие неполные когорты, если R365 для них еще неизвестен?
Ответить самому
Сначала сформулируйте ответ как на собеседовании, затем откройте разбор и оцените себя.
Короткий ответ
Предсказывать не только R365, а вектор горизонтов: R7, R14, R30, R60, R180, R365. Тогда свежие когорты дают labels на короткие горизонты, а старые - на длинные.
Полный разбор
Вместо одной головы R365 можно учить модель прогнозировать LTV-кривую или набор накопленных горизонтов. Для старых когорт известны все горизонты, для свежих - только короткие. Это позволяет учить ранние головы на актуальных данных и связывать их с поздними горизонтом через shared representation.
Есть несколько вариантов: multi-output regression, survival/hazard modeling, curve fitting, прогноз инкрементов по периодам или модель отношения R365/R30. Важно не дать модели увидеть будущую информацию: признаки должны быть доступны на момент принятия решения.
Валидация делается по времени и по бизнес-use case. Если модель нужна для user acquisition, важна способность рано ранжировать кампании и пользователей, а не только точный абсолютный R365.
Теория
LTV лучше мыслить как кривую во времени, а не как одну запоздавшую точку.
Типичные ошибки
- Обучать R365 только на старых когортах и не использовать свежие короткие targets.
- Смешивать накопленные и инкрементальные targets без ясного контракта.
- Не проверять calibration на последних когортах.