快速实验篇（B16）用户级预测可行性审计（否定性意见）

小肥柴的Hadoop之旅快速实验篇（B16）用户级预测可行性审计（否定性意见）

1. 引言

B15 把协同过滤放到推荐系统任务上，得到的是负结果：在 100 用户 × 20 品类、训练集完全密集、测试集接近全满的数据上，CF 不优于随机，这件事说明推荐系统在这份数据上没有施展空间。

顺着这条线往下想，自然会冒出下一个问题：推荐不行，那用户级预测行不行？

用户级预测有两个经典任务：流失预测 和价值预测。前者判断用户会不会走，后者判断用户会贡献多少。它们在工业界是标配，几乎每本数据挖掘教材都会讲，每个数据平台都会搭。

B16 就是把这个常见问题拿到同一份数据上，看看它能不能成立。试探的结果比 B15 更直接：**流失标签根本不可定义，价值目标有方差但不可预测。**这份底稿记录完整的审计过程。

2. 5 分钟速读

数据底座：100 用户，10 天行为，166770 行。

流失审计：

100 用户最后行为日期全部是 2019-07-26
100 用户在 10 天窗口内全部每天活跃
流失正样本 = 0

价值审计：

时间切分：前 7 天历史，后 3 天预测
未来 3 天支付次数：均值 22.59，标准差 7.28，范围 8--41
6 个历史特征与未来支付的最大 Pearson 相关 = 0.208
最大单变量 AUC = 0.584
历史支付次数与未来支付次数的相关性 = 0.057

回归基线（MAE 越低越好）：

模型	MAE	RMSE
全局均值	5.97	7.24
历史支付次数（3/7 缩放）	7.03	8.58
线性回归 5 折 CV	6.15	7.45

全局均值最优，任何模型都打不过它。

结论：用户级预测在这份数据上不可行，不是模型不够复杂，而是任务不成立。

3. 实验定位

3.1 名称

B16 用户级预测可行性审计：流失标签审计 + 价值目标审计

3.2 来源

原计划里，B16 是用户流失预测，B17 是用户价值预测。两者都是用户级预测，都在同一份数据上，都要回答"能不能预测"这个问题。合并成一个实验，做一次审计，比拆两个实验更省事，也更清楚。

B18--B20 取消，B17 改为 B 组实验总结。

3.3 目标

B16 不是要建一个能上线的流失模型或价值模型。它要回答三个更前置的问题：

流失标签能不能定义？
价值目标有没有可预测的方差？
如果前两条都成立，简单模型能不能超过基线？

如果前两条不成立，第三条不必做。

4. 数据底座

4.1 主表结构

主表 dwd_user_behavior，字段 31 个，分区字段 dt。关键字段：

字段	类型	说明
user_id	bigint	用户 ID
session_id	string	会话 ID
behavior_type	string	行为类型
action_time	string	行为时间
ts	timestamp	时间戳
click_category_id	bigint	点击品类
order_category_ids	array<string>	下单品类
pay_category_ids	array<string>	支付品类

行为类型有四种：

行为	行数
click	111310
search	37115
order	10887
pay	7458

4.2 时间范围与用户规模

口径 dt < '2019-07-27'：

最小日期：2019-07-17
最大日期：2019-07-26
天数：10
用户数：100
总行数：166770

10 天窗口，100 用户。这是 B16 的全部样本。

4.3 用户活跃天数分布

sql 复制代码

SELECT active_days, COUNT(*) AS user_cnt
FROM (
  SELECT user_id, COUNT(DISTINCT dt) AS active_days
  FROM dwd_user_behavior
  WHERE dt < '2019-07-27'
  GROUP BY user_id
) t
GROUP BY active_days
ORDER BY active_days;

结果：

复制代码

active_days  user_cnt
10           100

100 个用户，10 天全部活跃。 没有一个用户在某天缺席。

这一条直接决定了流失标签的下场。

5. 审计设计：为什么先审计再建模

常见做法是拿到数据直接上模型：切分、训练、验证、调参。B12--B15 的经验反复提醒同一件事：这份数据的结构问题发生在建模之前。

用户全部活跃，说明流失标签可能不存在。

用户全部活跃，也可能意味着用户之间差异极小，价值目标难以区分。

审计的意义在于：先确认任务能不能定义、目标有没有信号，再决定是否建模。 这一步如果跳过，模型跑出来会很难解释------AUC 接近 0.5 是数据问题还是模型问题，说不清。

审计流程分四步：

流失标签审计：标签能不能构造。
价值目标审计：目标有没有方差。
相关性审计：历史特征能不能预测未来目标。
条件建模：前三条都通过才跑模型，否则只跑基线。

6. 流失标签审计

6.1 什么是流失

定义：流失是用户在某个时间点之后不再活跃。

类比：像常客突然不再光顾一家店，从某天起再也没出现。

本项目用途：判断用户是否流失，是流失预测的第一步。没有明确的流失定义，就没有可训练的分类任务。

6.2 审计查询

流失定义的关键是"最后行为日期"。如果所有用户的最后行为日期都落在数据截止日，说明没有用户流失。

sql 复制代码

SELECT last_dt, COUNT(*) AS user_cnt
FROM (
  SELECT user_id, MAX(dt) AS last_dt
  FROM dwd_user_behavior
  WHERE dt < '2019-07-27'
  GROUP BY user_id
) t
GROUP BY last_dt
ORDER BY last_dt;

6.3 结果

复制代码

last_dt     user_cnt
2019-07-26  100

100 个用户的最后行为日期全部是 2019-07-26。

6.4 解读

三个事实同时发挥作用：

用户活跃天数全部 = 10
用户最后行为日期全部 = 2019-07-26
数据截止日前一天（07-26）仍有 100 人活跃

流失标签的候选定义是"未来 N 天无行为"。而在这份数据上，未来 N 天（不论 N 取多少）都有行为，正样本 = 0。

**流失分类任务不可定义，分类审计终止。**这一步不需要跑逻辑回归，不需要算 AUC。任务是空的，模型无从谈起。

7. 价值目标审计

7.1 什么是价值目标

定义：价值目标是用户在预测窗口内贡献的行为量，比如未来 N 天的支付次数。

类比：预测一家店未来一周的营业额。

本项目用途：价值预测的目标变量，通常用未来支付次数、金额、订单数来度量。

7.2 时间切分

价值目标必须按时间切分，否则历史特征会包含未来信息，造成时间泄漏。

时间泄漏的定义：训练特征中混入了预测时点之后才有的数据，模型看起来很强，实际不能用。

类比：用考试成绩预测考试分数，当然准，但没意义。

本项目用途：切出历史窗口和未来窗口，历史窗口特征预测未来窗口目标。

切分方案：

历史窗口：dt <= '2019-07-23'，07-17 至 07-23，共 7 天
未来窗口：dt > '2019-07-23'，07-24 至 07-26，共 3 天

7 天历史，3 天未来，窗口比例 7:3。10 天总窗口下，这是唯一合理切分。

7.3 未来支付次数分布

sql 复制代码

SELECT future_pay_cnt, COUNT(*) AS user_cnt
FROM (
  SELECT u.user_id, COUNT(p.user_id) AS future_pay_cnt
  FROM (SELECT DISTINCT user_id FROM dwd_user_behavior WHERE dt < '2019-07-27') u
  LEFT JOIN dwd_user_behavior p
    ON u.user_id = p.user_id
   AND p.dt > '2019-07-23'
   AND p.behavior_type = 'pay'
  GROUP BY u.user_id
) t
GROUP BY future_pay_cnt
ORDER BY future_pay_cnt;

结果：

指标	值
均值	22.59
标准差	7.28
最小值	8
最大值	41
零值比例	0

未来支付次数分布覆盖 8 到 41，均值 22.59，标准差 7.28，没有零值用户。

从纯统计角度看，目标有方差，看起来可以回归。

7.4 分布图解读

均值 22.59，中位数 22.0，两者几乎重合；分布大致对称，集中在 18--30 区间；没有明显长尾，也没有极值。这张图给出的信息是：

目标有方差，回归任务形式上可行。
方差范围适中，不是接近常量的退化数据。
分布的形状接近正态，无异常结构。

到这一步，价值目标的审计结论是"看起来能做"，但"看起来能做"和"实际能做"是两件事；要判断目标能不能被预测，必须看它和历史特征有没有关系。

8. 历史特征与未来目标的相关性

8.1 什么是相关性

定义：相关性衡量两个变量同时变化的程度，取值 $-1, 1$ ，0 表示无关。

类比：身高和体重同向变化，相关系数为正；鞋码和 IQ 无关，相关系数接近 0。

本项目用途：如果历史行为与未来支付有相关性，说明历史特征有预测价值；如果相关性接近 0，说明历史信息不能帮助预测。

8.2 特征构造

从 dwd_user_behavior 历史窗口（dt <= '2019-07-23'）构造 6 个用户级特征：

特征	含义
hist_click	历史点击次数
hist_search	历史搜索次数
hist_order	历史下单次数
hist_pay	历史支付次数
hist_active_days	历史活跃天数
hist_session	历史会话数

历史窗口内出现过的用户共 99 个。用户 20 在历史窗口内没有任何行为记录，被 GROUP BY 过滤掉。

8.3 三组相关性指标

Pearson 相关系数：衡量线性相关，对极端值敏感。
Spearman 相关系数：衡量单调相关，对极端值不敏感。
AUC：单变量区分度，把未来支付次数按中位数二值化后，看特征能不能区分正负样本。

三组指标结合，能避免单一指标误判。

8.4 结果

特征	Pearson	p	Spearman	p	AUC
hist_click	0.170	0.093	0.209	0.038	0.577
hist_search	0.166	0.100	0.223	0.027	0.584
hist_order	0.208	0.039	0.208	0.039	0.573
hist_pay	0.057	0.577	0.074	0.465	0.510
hist_active_days	常量 7	---	---	---	---
hist_session	0.136	0.179	0.168	0.097	0.550

8.5 逐项解读

hist_click，Pearson 0.170。点击次数与未来支付弱相关。100 样本下 Pearson 的标准误约 0.1，0.170 落在 1.7 倍标准误，属于不显著。
hist_search，Pearson 0.166。与点击类似。Spearman 0.223 略高，但同样不构成强信号。
hist_order，Pearson 0.208。这是六个特征里相关性最高的。p = 0.039，勉强过 0.05。但 6 个特征同时比较时，Bonferroni 校正后阈值是 0.0083，0.039 不通过。100 样本下的 0.208 属于噪声范围内的偶然。
hist_pay，Pearson 0.057。历史支付次数与未来支付次数几乎无关。这一条对价值预测最致命------如果连"用户之前付过钱"都不能预测"用户之后会付钱"，价值回归没有立足点。
hist_active_days 是常量 7。所有 99 个用户在历史窗口全部 7 天活跃。常量列无法计算相关性，也无法提供区分信息。
hist_session，Pearson 0.136。会话数与未来支付弱相关，不显著。

8.6 AUC 补充解读

AUC 值从 0.510 到 0.584，全部落在 0.5--0.6 区间。100 样本下 AUC 的标准误约 0.058，95% 置信区间约 $0.47, 0.69$ ，全部包含 0.5。没有单变量显著优于随机。

8.7 相关性审计结论

六条结论：

历史特征与未来支付的相关性全部很弱，最大 Pearson 0.208，最大 AUC 0.584。
相关性最强的是 hist_order，但在多重比较下不成立。
hist_pay 与未来支付几乎无关（r=0.057，AUC=0.510），价值回归没有信号源。
hist_active_days 是常量，无区分力。
6 个特征同时比较，Bonferroni 校正后没有一个显著。
从散点图看，所有特征与未来支付都是一团云，没有斜率。

价值目标有方差，但方差与历史特征无关。价值回归不具备可预测性。

9. 回归基线与模型对照

9.1 为什么还要跑回归

相关性审计已经说明特征无预测力。再跑一次回归，不是为了推翻这个结论，而是为了把"不可预测"的量级定下来。

三个模型：

全局均值基线：预测值恒为未来支付次数的全局均值。
历史支付次数（3/7 缩放）：用历史 7 天支付次数乘 3/7，当作未来 3 天的预测。
线性回归 5 折 CV：用 5 个历史特征做线性回归，5 折交叉验证。

全局均值基线是最低要求。任何模型如果打不过它，就没有实用价值。

9.2 结果

模型	MAE	RMSE	相对全局均值
全局均值	5.97	7.24	基线
历史支付次数（3/7 缩放）	7.03	8.58	差 17.9%
线性回归 5 折 CV	6.15	7.45	差 3.0%

9.3 图解读

三组对比：

全局均值 MAE 5.97，是所有模型里最低的。
历史支付次数按 3/7 缩放后 MAE 7.03，比全局均值差 17.9%。
线性回归 MAE 6.15，比全局均值差 3.0%。

RMSE 的排序一致：全局均值 7.24 最低，线性回归 7.45，缩放版 8.58。

9.4 解读

模型加特征加复杂度，误差反而变大。

线性回归在 5 个特征上学到的系数，本质是拟合噪声。100 样本 5 个特征，模型自由度相对样本量偏高。交叉验证把过拟合暴露出来：训练时看着好，验证时不如均值。

历史支付次数按时间缩放后仍不优于均值，说明即使做了量纲对齐，历史信息也不能帮助预测未来。这一条排除了"基线不公平"的质疑。

全局均值最优，意味着用户之间没有可利用的系统差异。 一个统一的中心值就能达到最优预测。

9.5 与相关性审计的呼应

相关性审计给出"历史特征与未来支付无关"，回归基线给出"任何模型都不如均值"。两个结论一致，互相印证。

价值回归不可行。

10. 产出表

B16 产出两张 ADS 表。

10.1 ads_prediction_feasibility

预测可行性审计表，两行：一行流失，一行价值。

字段	churn 行	value 行
task	churn	value
target_def	未来N天无行为	未来3天支付次数
time_split	不适用	前7天历史 / 后3天预测
data_window	2019-07-17 至 2019-07-26	2019-07-17 至 2019-07-26
n_users	100	99
target_mean	NULL	22.59
target_std	NULL	7.28
target_min	NULL	8
target_max	NULL	41
zero_rate	NULL	0.0
positive_rate	0.0	NULL
max_feature_corr	NULL	0.2076
max_feature_name	NULL	hist_order
max_auc	NULL	0.5835
max_auc_name	NULL	hist_search
baseline_metric	NULL	均值基线
conclusion	分类任务不可定义	价值回归不可行
reason	100用户最后行为日期全部为2019-07-26，流失正样本为0	历史特征与未来支付最大相关性0.208，最大AUC 0.584，均不显著；历史支付次数与未来支付次数几乎无关(r=0.057)

10.2 ads_user_value_baseline

价值回归基线表，四行。

model_name	method	mae	rmse	vs_baseline	note
global_mean	全局均值基线	5.9655	7.2405	基线	预测值恒为22.59，最优基线
user_hist_pay	用户历史支付次数	29.5657	32.2827	差396%	7天量纲硬套3天目标，不公平基线
user_hist_pay_scaled	用户历史支付次数(3/7缩放)	7.0317	8.5785	差17.9%	同尺度下仍不优于全局均值
linear_reg	线性回归5折CV	6.1457	7.4515	差3.0%	5特征100样本，学噪声，不优于均值

10.3 不产出 ads_user_churn_score

流失标签不可定义，因此不产出用户流失分数表。如果强行产出，只能标注"无业务意义"，反而误导下游。

这也是 B16 的一个设计选择：不可行的任务不产出可消费的资产。

11. 可视化

B16 共 4 张图。

图	文件	内容
未来支付分布	b16_future_pay_dist.png	未来 3 天支付次数直方图
六宫格散点	b16_feature_scatter.png	6 个特征 vs 未来支付
单变量 AUC	b16_univariate_auc.png	特征区分度条形图
回归基线	b16_value_baseline.png	MAE / RMSE 三模型对比

11.1 六宫格散点

六张散点图，五张是一团云，一张是竖线。

五张散点图的共性：横轴是历史特征，纵轴是未来支付次数，所有点随机散落，没有斜率。相关系数分别标注在标题里，从 0.057 到 0.208。

第六张是常量 ：hist_active_days 恒为 7，所有点落在一条竖线上。

这张图是 B16 最直观的视觉证据。任何人看到这六张图，都能得出"历史特征不预测未来目标"的结论。

11.2 单变量 AUC 条形图

五根条形，最短的是 hist_pay（0.510），最长的是 hist_search（0.584）。虚线标注随机基线 0.5，所有条形都在虚线右边一点，但都接近虚线。

视觉结论：区分度接近随机。

12. 与 B15 的呼应

B15 的结论是"协同过滤不优于随机"。B16 的结论是"用户级预测不可行"。

两份实验看起来任务不同，其实在回答同一个问题：

这份数据能支撑什么级别的建模？

维度	B15	B16
任务	品类推荐	用户级预测
数据前提	偏好差异 / 物品区分度 / 未观测项	标签可定义 / 目标有方差 / 特征有信号
前提是否成立	全部不成立	全部不成立
结论	CF 不优于随机	模型不优于均值

两条线索合起来：

这份数据不支持协同过滤，也不支持用户级预测。 它是一份结构性均匀的合成数据，用户之间没有真实差异，行为序列没有可学习的信号。

13. B 组方法论主线

截至 B16，B 组主线是：

实验	对照	结论
B11	规则分层 vs K-means	规则胜
B12	Z-score / 卡方 vs iForest	简单不输
B13	规则分组 vs K-means	规则胜
B14	PCA / LDA / t-SNE / DBSCAN	高级制造假结构
B15	CF vs 随机 / 热门 / 规则	CF 不优于随机
B16	均值基线 vs 用户历史 / 线性回归	均值基线最优

主线：简单方法 ≥ 高级方法，在合成数据、小样本、无外部标签的条件下反复成立。

合成数据铁证：B12 三条 + B13 三条 + B14 一条 + B15 一条 + B16 一条，共 9 条。

B16 的贡献是把这个主线从"推荐"扩展到"预测"。结论一致：数据的信息量决定模型的上限，模型复杂度无法突破数据本身的结构。

14. 结论

14.1 核心结论

流失标签不可定义。100 用户最后行为日期全部为 2019-07-26，正样本 = 0。
价值目标有方差但不可预测。未来 3 天支付次数均值 22.59，标准差 7.28，但与 6 个历史特征的最大相关性 0.208，最大 AUC 0.584。
历史支付次数与未来支付次数几乎无关（r=0.057）。价值预测缺少最基本的信号。
任何模型都不优于全局均值。线性回归 MAE 6.15，历史支付次数缩放版 7.03，全局均值 5.97。
用户级预测在这份数据上不可行，不是模型问题，而是任务不成立。

14.2 负结果的正面意义

负结果不是空跑。B16 给出三件东西：

一份明确的审计流程：先检查标签可定义性，再检查目标方差，再检查特征相关性，最后才条件建模。
一套可复用的审计表结构：ads_prediction_feasibility 记录任务是否成立，ads_user_value_baseline 记录基线对比。
一条方法论证据：简单基线在小样本、弱信号条件下仍然是最优解。

14.3 什么时候需要更高复杂度

用户级预测在 B16 上失败，不代表它在所有数据上都失败。需要满足至少一条：

用户之间存在真实差异，比如活跃度、消费能力、偏好。
目标有可解释的方差来源，比如季节性、促销、生命周期。
历史行为与未来目标有明确因果链。

三条都不满足时，任何模型都只是拟合噪声。

15. 局限与边界

样本量
- 100 用户，10 天。样本量小，统计效力低。相关性审计里的 p 值在不显著边缘反复徘徊，一部分原因是样本不够。
- 这不改变 B16 的结论，因为"信号不存在"和"样本太小测不出信号"在工程上导向同样的处理方式，不值得投入更复杂的模型。
合成数据
- 这份数据是合成的，用户行为高度均匀。真实电商数据中，用户差异通常远大于这里。
- B16 的结论应限定在这份数据的范围内，不推广到所有用户级预测任务。
时间窗口
- 10 天总窗口下，切分为 7 天历史、3 天未来。更长的历史窗口可能带来更多特征，但也可能继续是均匀行为。B16 没有测试更多切分方案。
用户 20
- 用户 20 在历史窗口（07-17 至 07-23）无行为，全窗口有行为。它被 GROUP BY 过滤，价值审计样本为 99。这一条要在记录里注明，但不足以改变结论。

16. 坑点速查

坑	表现	解法
Hive 保留字	`AS rows` 报 ParseException	换别名 `row_cnt`
`hive -f` 找不到表	`Table not found`	HQL 首行加 `USE b_group;`
`INSERT ... VALUES` 多行类型不匹配	Argument type mismatch	改 `UNION ALL` + 显式 `CAST(NULL AS 类型)`
HDFS 安全模式	`SafeModeException`	`hdfs dfsadmin -safemode get`，必要时 `leave`
Python 输出目录不存在	`Cannot save file into a non-existent directory`	`os.makedirs(OUT, exist_ok=True)`
常量列相关性	`ConstantInputWarning`	显式识别常量列，跳过并记录
`comm` 排序不一致	`input is not in sorted order`	两边都用默认字典序 `sort`，不要用 `sort -n`

17. 关键数字速查

数据底座

复制代码

用户数                 100
天数                   10（2019-07-17 至 2019-07-26）
总行数                 166770
行为分布：
  click                111310
  search               37115
  order                10887
  pay                  7458
用户活跃天数           全部 = 10
用户最后行为日期       全部 = 2019-07-26

流失审计

复制代码

流失正样本             0
分类任务              不可定义

价值审计

复制代码

切分                   前 7 天历史 / 后 3 天预测
历史窗口覆盖用户       99 / 100（缺用户 20）
未来支付次数：
  均值                 22.59
  标准差               7.28
  最小值               8
  最大值               41
  零值比例             0

相关性

复制代码

hist_click             r=0.170  p=0.093  AUC=0.577
hist_search            r=0.166  p=0.100  AUC=0.584
hist_order             r=0.208  p=0.039  AUC=0.573
hist_pay               r=0.057  p=0.577  AUC=0.510
hist_active_days       常量 7
hist_session           r=0.136  p=0.179  AUC=0.550

回归基线

复制代码

全局均值               MAE=5.97  RMSE=7.24
历史支付次数缩放       MAE=7.03  RMSE=8.58
线性回归 5 折 CV       MAE=6.15  RMSE=7.45

ADS 表

复制代码

ads_prediction_feasibility  2 行
ads_user_value_baseline     4 行

18. 附录：文件清单

HQL 脚本 （/home/hadoop/b16/sql/）

b16_step0_target_audit.hql
b16_step0_corr_audit.hql
b16_step4_build_feasibility.hql
b16_step4_build_value_baseline.hql

Python 脚本 （D:\py_code\douban\src\）

b16_step0_corr_audit.py
b16_step4_value_baseline.py
b16_step4_value_baseline_b.py
b16_step5_visualize.py

输出文件 （D:\py_code\douban\src\b16_output\）

b16_step0_corr_audit.tsv
b16_step0_corr_result.tsv
b16_step0_auc_result.tsv
b16_step4_value_baseline.tsv
b16_future_pay_dist.png
b16_feature_scatter.png
b16_univariate_auc.png
b16_value_baseline.png

Linux 导出 （/home/hadoop/b16/export/）

b16_step0_corr_audit.tsv

HDFS

/b_group/ads/ads_prediction_feasibility/
/b_group/ads/ads_user_value_baseline/

日志（/home/hadoop/b16/logs/）

step0_show_tables_*.log
step0_desc_dwd_behavior_*.log
step0_desc_ods_action_*.log
step0_desc_b14_wide_*.log
step0_time_range_*.log
step0_active_days_*.log
step0_behavior_type_*.log
step0_target_audit_*.log
step0_b14_wide_scope_*.log
step0_corr_audit_*.log
step0_user20_check_*.log
step4_build_feasibility_*.log
step4_build_value_baseline_*.log

快速实验篇（B16）用户级预测可行性审计（否定性意见）

小肥柴的Hadoop之旅 快速实验篇（B16）用户级预测可行性审计（否定性意见）

1. 引言

2. 5 分钟速读

3. 实验定位

3.1 名称

3.2 来源

3.3 目标

4. 数据底座

4.1 主表结构

4.2 时间范围与用户规模

4.3 用户活跃天数分布

5. 审计设计：为什么先审计再建模

6. 流失标签审计

6.1 什么是流失

6.2 审计查询

6.3 结果

6.4 解读

7. 价值目标审计

7.1 什么是价值目标

7.2 时间切分

7.3 未来支付次数分布

7.4 分布图解读

8. 历史特征与未来目标的相关性

8.1 什么是相关性

8.2 特征构造

8.3 三组相关性指标

8.4 结果

8.5 逐项解读

8.6 AUC 补充解读

8.7 相关性审计结论

9. 回归基线与模型对照

9.1 为什么还要跑回归

9.2 结果

9.3 图解读

9.4 解读

9.5 与相关性审计的呼应

10. 产出表

10.1 ads_prediction_feasibility

10.2 ads_user_value_baseline

10.3 不产出 ads_user_churn_score

11. 可视化

11.1 六宫格散点

11.2 单变量 AUC 条形图

12. 与 B15 的呼应

13. B 组方法论主线

14. 结论

14.1 核心结论

14.2 负结果的正面意义

14.3 什么时候需要更高复杂度

15. 局限与边界

16. 坑点速查

17. 关键数字速查

18. 附录：文件清单

小肥柴的Hadoop之旅快速实验篇（B16）用户级预测可行性审计（否定性意见）