印度外卖及电商平台Swiggy近日披露了其自主研发的预测客户终身价值（pLTV）模型技术细节。该模型整合了超过350个下单前特征，采用多任务多层感知机（MLP）架构，同时服务于食品配送业务Food和快速电商业务Instamart。
据Swiggy数据科学团队介绍，传统单任务模型在处理客户价值预测时往往面临特征维度高、数据稀疏等问题。Swiggy的解决方案是在主任务之外引入订单数量预测作为辅助任务，通过多任务学习机制共享底层表征。这一设计使模型参数量较单任务方案减少63％，同时预测准确率获得提升，实现了模型精简与性能优化的双重目标。
在商业化应用层面，Swiggy将pLTV信号与Google Target ROAS（目标广告支出回报率）智能出价策略结合，用于优化新客获取环节的广告投放决策。通过将预测的客户长期价值纳入竞价模型，系统能够在不同获客渠道和用户群体间动态分配营销预算，从而提升整体获客效率与投资回报率。
这一技术实践反映了当前消费互联网企业在流量红利见顶背景下，从粗放式拉新向精细化运营转型的趋势。客户终身价值预测作为用户增长与商业化的核心基础设施，正在成为平台型企业构建数据竞争力的关键环节。Swiggy的技术方案为同行业提供了将复杂预测模型落地于广告投放系统的一个可参考样本。
随着印度本地生活服务市场竞争加剧，Swiggy此番披露的模型细节也显示出其在数据科学能力建设上的持续投入。未来，该模型或将进一步扩展至更多业务场景，包括用户留存干预、个性化优惠券发放以及商家侧运营决策支持等方向。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
