首购提效 40%、复购提效 30%，贡献大盘 GMV 14.21%
赤子城 Gaga 是一款海外社交产品。用户活跃度可以，但付费转化和复购全靠人工运营，效率低、覆盖有限。需要一套"数据→预测→自动化"的智能运营体系来规模化提升付费转化。
用户是否愿意付费、什么时候会流失，这些信号靠人工看不出来。如何用数据预测用户行为，并在对的时间自动触发对的动作？核心是两个预测模型 + 一套自动执行引擎。
高级增值策略经理（带 5 人），对 GMV 与商业化策略负责
训练付费意愿预测模型
基于用户行为序列（活跃频次、社交互动深度、内容消费习惯等特征）预测用户未来 7 天的付费概率，高概率用户自动触发 Push/弹窗引导付费 → 二分类付费预测 + 自动触发策略
训练流失风险预测模型（Churn Prediction）
识别有流失风险的用户，在真正流失前主动触发召回策略（权益刺激/个性化内容推送） → Churn 预警 + 主动召回机制
搭建数据监控与自动化执行平台
A/B 测试 + 漏斗分析定位增长节点→沉淀为自动化促活策略，减少人工干预 → 实验驱动增长 + 运营自动化
首购提效 40%、复购提效 30%、贡献大盘 14.21% GMV，活动 ROI 达 2.28
一个模型解决所有问题？哪个都做不好
刚开始试图用一个模型解决所有问题——"付费预测+流失预测+商品推荐"塞到一个模型里，结果哪个都做不好。后来拆成两个独立的预测模型（付费意愿 + 流失风险）加一套规则引擎串联，才跑通。AI 落地中，模型边界清晰比模型复杂更重要。