八维度可解释评估模型 V5.0
字节跳动 Seed · AI 数据产品经理 · 2026.02 – 2026.05
基于 ICLR 2026 顶会数据，将评估决策产品化为可配置、可解释、可决策的八维专家加权分层体系，服务业务优先级判断，覆盖 20,121 条样本。
可解释非黑盒
S+/S/A/B/C 五档
识别准确率 62%→90.8%
人工成本降 50–60%
3 轮 AB 实验
产品闭环架构
01
多源采集
GitHub/Scholar/顶会
25 项标准字段
→
02
八维特征
Python 文本匹配
SQL 多表关联
→
03
加权评分
专家权重可配置
CASE WHEN 运算
→
04
S+/S/A/B/C
差异化跟进策略
跟进路径推荐
→
05
AB 验证
NOT EXISTS 排他
看板监控迭代
八维度拆解 · 专家加权体系
维度权重与说明
中华人身份梯度
AB 实验核心变量 · 四因子线性加权
分层输出 · S+/S/A/B/C
| 层级 | 定义 | 跟进策略 |
|---|
| S+ | 顶会核心 + 强竞品关联 + 高潜华人 | 优先建联 · 高管层跟进 |
| S | 多维度高分 · 导师网络强 | 快速触达 · 定制 pitch |
| A | 单项突出 · 工程或学术强 | 标准流程 · 定期跟进 |
| B | 中等潜力 · 部分维度缺失 | 批量触达 · 低优先级 |
| C | 低匹配 · 信息不足 | 暂缓 · 数据补全后复评 |
五级推荐能力产品化，业务方可按赛道自定义阈值。
核心创新 · 多因子梯度打分（AB 实验）
问题：二元姓名标签准确率仅 62%
海外华裔大量漏判，外籍拼音误判严重，线索分配缺少量化依据。
方案：四因子线性加权
AB 实验 · 单一变量隔离
| 轮次 | 动作 | 结果 |
|---|
| 首轮 | 拆分海外人群专项分析 | 发现华人模块是瓶颈 |
| 二轮 | 0/1 → 四因子梯度打分 | 准确率 62%→90.8% |
| 三轮 | 转化数据反向调权重 | 海外转化 +21% |
NOT EXISTS 排他逻辑：纯对照 / 纯实验 / 混合样本三层隔离，混合数据不参与转化对比。
关键指标对比
| 指标 | 优化前 | 优化后 | 变化 |
|---|
| 华人身份识别准确率 | 62% | 90.8% | +28.8pp |
| 海外高潜漏判 | 基准 | 下降 67% | ↓ |
| 无效跟进占比 | 基准 | 下降 29% | ↓ |
| 人工筛选成本 | 基准 | 降低 50–60% | ↓ |
| 核心 SQL 查询 | 45s | 2.1s | 效率 +70% |
| 策略迭代效率 | Excel 手工 | 自动化看板 | +40% |
S 20 万级样本靠人工判断效率低，旧模型用中文姓名二元标签识别华人，准确率只有 62%，海外华裔大量漏判。
T 搭建可配置、可解释的八维加权打分模型，并通过 AB 实验验证华人识别优化收益。
A 舍弃 ML 黑盒，采用专家加权体系；华人识别从 0/1 升级为四因子梯度打分；NOT EXISTS 排他分组；SQL 从 45s 优化到 2.1s；搭建全链路转化看板支撑 3 轮迭代。
R 华人识别 62%→90.8%，无效跟进降 29%，海外转化 +21%，人工成本降 50–60%，覆盖 2 万+ 样本量化评分。
← 字节导览 · 数据爬取 → · 关系网络模型 →