5D Library › 弃单挽回动力学、沉没数据续费棘轮与高客单顾问筛选机制 · English

序:没有成交之后、成交之后与大单之前

注

请先读这一段。 本书研究三件事的数学:买家放弃购物车之后何时、发几次跟进;订阅者积累的数据如何影响续费,以及续费率上升究竟说明了什么;高客单的企业牌照与顾问服务如何用菜单、申请表与订金筛选客户。书中的回访率、退订率、续费参数、客户估值与成交率都是示意或合成模型,用来展示结构,不是任何真实店铺或客户的数据;全部数据由书中印出的程序生成。本书不是法律意见。

第 78 本讨论的是成交那一刻与之后的加购。本书讨论三个相邻的时刻:买家没有成交就离开的时候,订阅者决定是否续费的时候,以及一位企业客户考虑一笔 RM 9,800 或 RM 29,800 的牌照的时候。三件事各有一条流行的经验法则:弃单后在 15 分钟、24 小时、72 小时各发一次跟进;用户积累的数据越多越难离开,所以续费率会逐月上升;高价产品要用申请表把不合适的客户挡在门外。本书把它们写成可以运行的算术,再看在什么条件下成立。

本书接续第 77、78 本,三本合成一组,并坚持同样的写法:先计算,再划出边界,如实报告否定结果。

本书的内容

第一章用一个受外部激发的回访强度模型比较三次跟进的时序,并计算该发几次。第二章计算折扣钩子如何教会买家故意弃单,以及「被挽回」的订单中有多少本来就会回来。第三章写出沉没数据的续费棘轮,并证明同一条上升的续费曲线也可以完全来自筛选。第四章计算数据导出的代价与年付方案的自我选择。第五章用两档牌照的菜单与申请表讨论甄别,第六章计算顾问时间的分配与订金的信号作用。第七章与《孙子·九地》《鬼谷子》的揣篇、摩篇和《墨子·尚贤上》并读。第八章给出完整的挽回账本、区分棘轮与筛选的实验,以及一项预注册的留出实验。

核对后修正的说法

  1. 「15 分钟、24 小时、72 小时」不是一个精确的最优解。 在示意模型中它达到网格最优增益的 91%;网格最优是 0.25 小时、12 小时、24 小时,而 220 个候选时序中有 33 个都达到最优增益的 90%。最优面很平,要紧的是第一封尽早发出(p01)。
  2. 这不是严格意义上的霍克斯过程。 回访是吸收事件(回来下单之后就不再「回访」),自我激发没有意义;本书用的是受跟进外部激发的强度模型(p01)。
  3. 归因挽回大大高估了效果。 第一封在 0.25 小时发出时,归因计入的订单中只有 0.43 是跟进带来的增量;扣除退款、退订与投诉后,净收入只有归因数字的 36%(p04、p14)。
  4. 折扣钩子会教会买家等待。 当收到优惠券的买家有 0.6 的概率学会故意弃单时,一年收入 RM 880,971,低于只发普通提醒的 RM 882,196(p03)。
  5. 续费率逐月上升不能证明有棘轮。 一个人人续费率不变、只是彼此不同的筛选模型(sBG)可以把棘轮模型的群组存活曲线拟合到最大差距 0.011;只有随机实验才能区分两者(p06、p15)。
  6. 罗斯柴尔德-斯蒂格利茨模型讲的是竞争性保险市场。 一家卖方设计两档牌照的问题,更接近穆萨-罗森的垄断菜单;申请表的摩擦只有在不合适的客户更容易放弃时才有筛选作用(p09、p10)。

标注框怎么读

标注框把已发表的证据、可运行的 Python 计算(16 段程序,只用标准库,固定随机种子,每段在构建时实际运行,真实输出印在其下)、原典、注释与作者的假说区分开;每条假说都写明什么结果会证明它错。程序与输出只用 ASCII 字符。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,并经营多个网站、付费在线测算软件、订阅、报告、课程、企业牌照与顾问服务,其弃单跟进、续费与客户筛选正是本书所研究的对象,因此与本书主题有直接商业利益关系。本书不推销任何软件、课程、牌卡或服务,不使用作者企业的任何用户数据,也不接受任何赞助。书中的参数均为合成或示意。第八章的实验必须按预先登记的方案执行,结果不论正负都发表。

Fan, Y. (2026). Cart-Abandonment Recovery Kinetics, Sunk-Data Retention Ratchets and High-Ticket B2B Qualification Mechanisms: Multi-Pulse Follow-Up Timing, Switching-Cost Accumulation and Screening Equilibria [弃单挽回动力学、沉没数据续费棘轮与高客单顾问筛选机制] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.24090209 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).