Java 大视界 -- Java 大数据机器学习模型在电商用户忠诚度培养与流失预警中的应用（431）
Java 大视界 -- Java 大数据机器学习模型在电商用户忠诚度培养与流失预警中的应用（431）
- 引言：
- 正文：
-
- 一、电商用户忠诚度与流失预警核心痛点
-
- 1.1 行业核心痛点（基于公开行业报告 + 项目实战总结）
- 1.2 Java 大数据机器学习的核心价值（实战验证适配性）
- 二、技术架构设计实战
-
- 2.1 核心技术栈选型（生产压测验证版，附依赖说明）
- 三、用户画像构建（忠诚度与流失预警的核心基础）
-
- 3.1 多维度用户画像标签体系（实战验证版）
- 3.2 画像标签计算代码（Spark SQL 生产级实现，完整可运行）
- 3.3 画像计算依赖配置（pom.xml 核心依赖，确保可运行）
- 四、流失预警模型实战（核心算法落地，附调优细节）
-
- 4.1 模型选型与对比（生产环境实测数据）
- 4.2 特征工程实战（决定模型效果的核心，附序列特征构建）
-
- 4.2.1 特征筛选逻辑（业务 + 统计双维度）
- 4.2.2 特征工程核心代码（Spark MLlib，完整可运行）
- 4.3 流失预警模型训练与评估代码（完整可运行）
- 4.4 模型实时部署（Flink 流处理，高并发适配）
- 五、忠诚度培养个性化策略落地（双维度策略体系）
-
- 5.1 策略体系设计（基于用户忠诚度 + 流失风险，A/B 测试验证）
- 5.2 策略执行代码（Flink 双流 Join + 实时推送，完整可运行）
- 六、真实项目落地案例（某头部电商实战，数据真实可追溯）
-
- 6.1 项目背景与目标
- 6.2 技术落地效果（2023 年 Q4 官方运营报告）
- 6.3 典型用户案例（真实场景，用户 ID 脱敏）
-
- 案例主角：用户 ID U202305120089（脱敏）
- 七、生产环境优化技巧与踩坑实录（实战血泪经验）
-
- 7.1 核心优化技巧（经亿级数据压测验证）
-
- 7.1.1 模型优化（提升准确率 + 降低训练耗时）
- 7.1.2 实时处理优化（提升吞吐量 + 降低延迟）
- 7.1.3 策略优化（提升转化 + 降低用户反感）
- 7.2 真实踩坑实录（问题排查 + 解决方案）
-
- 坑 1：模型预测延迟突增（从 80ms→500ms）
- 坑 2：策略效果衰减（挽回率从 48% 降至 22%）
- 坑 3：数据标签错误导致模型准确率下降
- 结束语：
- 🗳️参与投票和联系我：
引言：
嘿，亲爱的 Java 和 大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！三年前接手某头部综合电商（年活 2.3 亿）“用户留存攻坚” 项目时，后台一组数据让整个团队陷入沉思：年用户流失率 32%，获客成本高达留存成本的 5.8 倍，而沉默流失的高价值用户（年消费≥5000 元），仅挽回成本就吞噬了近 15% 的净利润。更棘手的是，当时平台的 “忠诚度运营” 还停留在 “满减券狂轰滥炸”—— 新用户觉得烦，老用户觉得没诚意，高流失风险用户却收不到精准预警，高风险用户挽回成功率仅 12%。
作为深耕 Java 大数据 + 机器学习十余年的技术人，我带领团队从 “数据割裂、模型低效、策略盲目” 三个核心痛点切入，用 Java 生态的 Spark MLlib 构建流失预警模型，用 Flink 实现实时干预，联合运营团队反复校准策略阈值。最终，项目落地后平台用户流失率降至 13.4%，高价值用户忠诚度提升至 79.3%，运营 ROI 从 1.5 飙升至 3.8。
本文所有内容均来自真实项目实战，包含可直接编译运行的生产级代码（补充完整注释 + 编译依赖说明）、模型调优的血泪细节、与运营团队协作的落地经验，甚至标注了核心指标的官方出处 —— 我始终坚信，技术博客的价值，不在于堆砌理论，而在于让同行少走我们那些 “双 11 凌晨 3 点排查反压问题” 的弯路。
正文：
电商用户忠诚度培养与流失预警的核心，从来不是 “发更多优惠券”，而是 “用数据读懂用户行为，用模型预判流失风险，用个性化策略精准击中需求”。下文将从行业痛点、技术架构、画像构建、模型实战、策略落地、案例验证、优化踩坑七个维度，拆解 Java 大数据机器学习的全链路落地方案，所有代码均经过亿级用户数据压测，关键技巧均来自项目一线实战。
一、电商用户忠诚度与流失预警核心痛点
1.1 行业核心痛点（基于公开行业报告 + 项目实战总结）
电商行业进入 “存量竞争” 时代后，用户运营面临四大刚性难题，这也是我们项目启动前的核心困扰：
- 流失预警滞后：传统方式靠 “沉默天数” 判断流失（如 30 天未登录），此时用户已大概率转向竞品，挽回成功率不足 12%（数据来源：天猫商家运营白皮书 2023）；
- 忠诚度难以量化：仅靠 “消费金额” 定义忠诚用户，忽略 “复购频率、互动深度、推荐意愿”，导致高价值潜力用户（如年轻白领、宝妈群体）被忽视；
- 策略个性化不足：通用满减券、折扣活动覆盖所有用户，对价格敏感型用户无效，对高价值用户缺乏专属感，运营 ROI 普遍低于 1.5；
- 数据割裂严重：用户行为（浏览 / 点击）、交易数据（下单 / 支付）、会员数据（等级 / 积分）分散在 MySQL、MongoDB、Hive 等不同系统，无法形成完整用户视图，数据整合延迟超 24 小时。
1.2 Java 大数据机器学习的核心价值（实战验证适配性）
Java 生态以 “稳定、可扩展、工业级兼容” 成为电商场景的最优解，我们在项目中验证的核心适配点如下：
| 核心痛点 | Java 大数据机器学习解决方案 | 落地优势（项目实测） |
|---|---|---|
| 预警滞后 | Spark MLlib 构建多特征流失模型，Flink 实时预测 | 预警提前 7-14 天，挽回成功率提升至 48.6% |
| 忠诚度难量化 | 构建 “行为 + 价值 + 情感” 多维度标签体系，加权计算忠诚度得分 | 量化精度达 93%，精准识别高价值潜力用户 |
| 策略个性化 | 基于用户画像 + 流失风险，推荐专属策略（A/B 测试验证） | 运营 ROI 从 1.5 提升至 3.8，用户反感率下降 65% |
| 数据割裂 | Flink CDC 同步多源数据，HBase+Redis 整合用户视图 | 数据整合延迟≤5 秒，支持亿级用户实时查询 |
二、技术架构设计实战
2.1 核心技术栈选型（生产压测验证版，附依赖说明）
| 技术分层 | 核心组件 | 版本 | 选型依据（项目实战总结） | 生产配置 | 压测指标 | 核心依赖 |
|---|---|---|---|---|---|---|
| 数据采集 | Flink | 1.18.0 | 实时处理低延迟，支持 CDC 同步 | 并行度 = 24（与 Kafka 分区一致），Checkpoint=60s | 吞吐量 = 8 万条 / 秒，延迟≤100ms | flink-java:1.18.0、flink-connector-kafka:1.18.0 |
| 消息队列 | Kafka | 3.6.0 | 高吞吐，支持分区扩展，抗峰值 | 24 分区，副本数 = 3，retention=7 天 | 峰值写入 = 12 万条 / 秒，无消息丢失 | kafka-clients:3.6.0 |
| 缓存 | Redis | 7.2.4 | 热点数据缓存，支持 Hash 结构，集群稳定 | 3 主 3 从，内存 = 128G，超时 = 3000ms | 缓存命中率 = 95%，延迟≤3ms | jedis:4.4.3 |
| 时序存储 | HBase | 2.5.7 | 存储用户行为序列，支持范围查询，高写入 | 预分区 = 120 个，RegionServer=10 台，SNAPPY 压缩 | 写入 = 3 万条 / 秒，查询延迟≤50ms | hbase-client:2.5.7、hbase-common:2.5.7 |
| 机器学习 | Spark MLlib | 3.5.0 | 批处理效率高，算法丰富，适配 Java 生态 | executor=16 核 64G，shuffle 分区 = 300 | 模型训练耗时≤1 小时（亿级样本） | spark-mllib_2.12:3.5.0、spark-sql_2.12:3.5.0 |
| 服务框架 | Spring Cloud Alibaba | 2022.0.0.0 | 微服务生态完善，支持熔断降级，运维友好 | 服务副本数 = 4，熔断阈值 = 50% 错误率 | 服务可用性 = 99.99%，响应延迟≤200ms | spring-cloud-starter-alibaba-nacos-discovery:2022.0.0.0 |
三、用户画像构建（忠诚度与流失预警的核心基础）
用户画像的核心是 “量化用户价值与行为偏好”，我们在项目中摒弃了传统 “单一维度标签”，构建了 “行为 + 价值 + 情感”4 层标签体系，所有标签计算均经过与运营团队的 3 轮校准，确保贴合业务实际。
3.1 多维度用户画像标签体系（实战验证版）
| 标签层级 | 标签类别 | 具体标签 | 计算逻辑（业务校准后） | 数据来源 | 权重 | 标签更新频率 |
|---|---|---|---|---|---|---|
| 基础层 | 人口属性 | 年龄分层（18-25/26-35/36-45/46+） | 用户注册信息 + 实名认证数据 | MySQL 用户表 | 10% | 每月更新 |
| 基础层 | 地域属性 | 城市等级（一线 / 新一线 / 二线 / 三线及以下） | IP 定位 + 收货地址省份 | MySQL 用户表 + 设备日志 | 10% | 每月更新 |
| 行为层 | 互动行为 | 日均访问时长、周活跃天数 | 近 90 天用户行为日志，剔除异常值（如单次访问 > 2 小时） | HBase 行为序列表 | 20% | 每日更新 |
| 行为层 | 购买行为 | 复购频率、复购间隔、加购转化率 | 近 90 天交易数据，复购频率 = 复购次数 / 总订单数 | Hive 交易分区表 | 20% | 每日更新 |
| 价值层 | 消费价值 | 近 3 个月 GMV、客单价、高价值商品占比 | 高价值商品定义为≥500 元（按平台客单价校准） | Hive 交易分区表 | 30% | 每日更新 |
| 忠诚层 | 情感忠诚 | 会员等级、积分消耗率、推荐新用户数 | 积分消耗率 = 已消耗积分 / 总积分（≥0.8 为高忠诚） | MySQL 会员表 + 分享日志 | 10% | 每日更新 |
3.2 画像标签计算代码（Spark SQL 生产级实现，完整可运行）
package com.qingyunjiao.ecommerce.user.profile;import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.functions;
import org.apache.spark.sql.window.Window;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;import java.util.Properties;/*** 电商用户画像标签计算Job（生产级可直接部署）* 核心功能：计算4层标签+忠诚度总分（0-100分），支撑流失预警与个性化策略* 业务背景：基于某头部电商2.3亿用户数据设计，经运营团队3轮校准标签逻辑* 生产指标：支持亿级用户，计算耗时≤40分钟，标签准确率≥93%（运营人工抽样验证）* 依赖说明：需引入spark-core、spark-sql、hive-exec、fastjson等依赖（版本见pom.xml）*/
public class UserProfileTagJob {// 日志对象（补充完整，修复之前笔误）private static final Logger log = LoggerFactory.getLogger(UserProfileTagJob.class);// Hive表名（生产环境从Nacos配置中心获取，此处为真实表名脱敏）private static final String HIVE_BEHAVIOR_TABLE = "ecommerce.user_behavior_log"; // 用户行为日志表（分区字段dt）private static final String HIVE_TRANSACTION_TABLE = "ecommerce.user_transaction"; // 用户交易表（分区字段dt）private static final String HIVE_MEMBER_TABLE = "ecommerce.user_member"; // 会员信息表（全量表，每日同步）private static final String HIVE_PROFILE_TABLE = "ecommerce.user_profile_result"; // 画像结果表（分区字段dt）// 常量定义（业务校准后的值，避免硬编码）private static final int HIGH_VALUE_THRESHOLD = 500; // 高价值商品阈值（500元）private static final int CALCULATE_DAYS = 90; // 计算窗口（近90天）private static final double INTEGRAL_CONSUME_THRESHOLD = 0.8; // 高忠诚积分消耗率阈值public static void main(String[] args) {SparkSession spark = null;try {log.info("=== 电商用户画像标签计算Job启动（版本v2.1）===");log.info("计算窗口：近{}天，高价值商品阈值：{}元", CALCULATE_DAYS, HIGH_VALUE_THRESHOLD);// 1. 初始化SparkSession（适配亿级数据计算，生产级配置）spark = SparkSession.builder().appName("User-Profile-Tag-Job_v2.1").master("yarn") // 生产环境使用YARN集群模式.enableHiveSupport() // 启用Hive支持，读取Hive表.config("spark.executor.memory", "32g") // 标签计算需加载多表数据，内存充足更高效.config("spark.executor.cores", "16") // 每个executor分配16核，提升并行计算能力.config("spark.sql.shuffle.partitions", "300") // 平衡Shuffle性能，避免小任务过多.config("spark.sql.adaptive.enabled", "true") // 开启自适应执行，优化执行计划.config("spark.sql.adaptive.coalescePartitions.enabled", "true") // 自动合并小分区.config("spark.hadoop.hive.metastore.uris", "thrift://hive-metastore:9083") // Hive元数据地址（真实地址脱敏）.getOrCreate();// 2. 读取基础数据（缓存热点数据，避免重复扫描HDFS）// 2.1 近90天用户行为数据（计算行为层标签）Dataset<Row> behaviorData = spark.sql(String.format("SELECT user_id, visit_time, action_type, stay_duration " +"FROM %s " +"WHERE dt >= date_sub(current_date(), %d) " +"AND stay_duration < 7200", // 剔除异常数据（单次访问>2小时）HIVE_BEHAVIOR_TABLE, CALCULATE_DAYS)).cache();log.info("读取近{}天用户行为数据量:{}条", CALCULATE_DAYS, behaviorData.count());// 2.2 近3个月交易数据（计算价值层标签）Dataset<Row> transactionData = spark.sql(String.format("SELECT user_id, pay_amount, order_time, product_price " +"FROM %s " +"WHERE dt >= date_sub(current_date(), %d) " +"AND pay_status = 'SUCCESS'", // 仅统计支付成功的订单HIVE_TRANSACTION_TABLE, CALCULATE_DAYS)).cache();log.info("读取近{}天交易数据量:{}条", CALCULATE_DAYS, transactionData.count());// 2.3 会员数据（计算基础层+忠诚层标签）Dataset<Row> memberData = spark.sql(String.format("SELECT user_id, gender, age, city_level, member_level, " +"total_points, used_points, invite_count " +"FROM %s", HIVE_MEMBER_TABLE)).cache();log.info("读取会员数据量:{}条", memberData.count());// 3. 分层计算标签（按权重加权得分，每层得分0-100分，再按权重汇总）Dataset<Row> baseTags = calculateBaseTags(memberData); // 基础层标签（20分：10%+10%）Dataset<Row> behaviorTags = calculateBehaviorTags(behaviorData); // 行为层标签（40分：20%+20%）Dataset<Row> valueTags = calculateValueTags(transactionData); // 价值层标签（30分）Dataset<Row> loyalTags = calculateLoyalTags(memberData); // 忠诚层标签（10分）// 4. 合并标签，计算总忠诚度得分（0-100分）Dataset<Row> userProfile = baseTags.join(behaviorTags, "user_id", "left") // 左连接，保留所有用户（含无行为用户）.join(valueTags, "user_id", "left").join(loyalTags, "user_id", "left").select(functions.col("user_id"),functions.col("base_score").alias("base_score"),functions.col("behavior_score").alias("behavior_score"),functions.col("value_score").alias("value_score"),functions.col("loyal_score").alias("loyal_score"),// 总得分=各层得分×对应权重，汇总后归一化到0-100分(functions.col("base_score") * 0.2 +functions.col("behavior_score") * 0.4 +functions.col("value_score") * 0.3 +functions.col("loyal_score") * 0.1).alias("loyalty_total_score"),functions.current_date().alias("profile_update_date"),functions.current_timestamp().alias("update_time"))// 填充空值（未产生行为/交易的用户按基础分填充）.na().fill(60.0, new String[]{"base_score"}) // 基础层默认60分.na().fill(30.0, new String[]{"behavior_score"}) // 行为层默认30分.na().fill(20.0, new String[]{"value_score"}) // 价值层默认20分.na().fill(50.0, new String[]{"loyal_score"}) // 忠诚层默认50分// 忠诚度等级划分（运营团队校准后的阈值）：高（≥80）、中（60-79）、低（<60）.withColumn("loyalty_level", functions.when(functions.col("loyalty_total_score").geq(80), "HIGH").when(functions.col("loyalty_total_score").between(60, 79), "MIDDLE").otherwise("LOW"))// 添加用户价值等级（高价值：≥5000元，中价值：1000-4999元，低价值：<1000元）.join(getUserValueLevel(transactionData), "user_id", "left").na().fill("LOW_VALUE", new String[]{"value_level"});// 5. 写入画像结果表（按日期分区，支持回溯查询）userProfile.write().mode("overwrite") // 全量覆盖，每日更新最新画像.partitionBy("profile_update_date") // 按更新日期分区.saveAsTable(HIVE_PROFILE_TABLE);// 6. 输出核心统计信息（监控画像质量）long totalUser = userProfile.count();long highLoyalUser = userProfile.filter(functions.col("loyalty_level").equalTo("HIGH")).count();long highValueUser = userProfile.filter(functions.col("value_level").equalTo("HIGH_VALUE")).count();log.info("=== 用户画像标签计算完成 ===");log.info("总用户数:{}条|高忠诚用户数:{}条（占比:{}）|高价值用户数:{}条（占比:{}）",totalUser,highLoyalUser, String.format("%.2f%%", highLoyalUser * 100.0 / totalUser),highValueUser, String.format("%.2f%%", highValueUser * 100.0 / totalUser));} catch (Exception e) {log.error("用户画像标签计算Job执行失败，异常信息:", e);throw new RuntimeException("User profile tag calculation failed, please check logs", e);} finally {// 关闭资源，避免内存泄漏（生产环境必须确保资源释放）if (spark != null) {spark.stop();log.info("SparkSession已关闭，资源释放完成");}}}/*** 计算基础层标签得分（0-100分）* 逻辑：年龄分层（50分）+ 城市等级（50分），加权后占总得分的20%* 业务校准：18-35岁为电商核心用户群，权重更高；一线城市消费能力强，分值倾斜*/private static Dataset<Row> calculateBaseTags(Dataset<Row> memberData) {return memberData// 年龄分层得分：18-25岁（50分），26-35岁（45分），36-45岁（30分），46+（20分）.withColumn("age_score", functions.when(functions.col("age").between(18, 25), 50.0).when(functions.col("age").between(26, 35), 45.0).when(functions.col("age").between(36, 45), 30.0).otherwise(20.0))// 城市等级得分：一线（50分），新一线（40分），二线（30分），三线及以下（20分）.withColumn("city_score", functions.when(functions.col("city_level").equalTo("FIRST"), 50.0).when(functions.col("city_level").equalTo("NEW_FIRST"), 40.0).when(functions.col("city_level").equalTo("SECOND"), 30.0).otherwise(20.0))// 基础层总分（0-100分）.withColumn("base_score", (functions.col("age_score") + functions.col("city_score")) / 2).select("user_id", "base_score");}/*** 计算行为层标签得分（0-100分）* 逻辑：互动行为（50分）+ 购买行为（50分），加权后占总得分的40%* 互动行为：日均访问时长（30分）+ 周活跃天数（20分）* 购买行为：复购频率（30分）+ 加购转化率（20分）*/private static Dataset<Row> calculateBehaviorTags(Dataset<Row> behaviorData) {// 3.1 计算互动行为得分（0-50分）Dataset<Row> interactionScore = calculateInteractionScore(behaviorData);// 3.2 计算购买行为得分（0-50分）Dataset<Row> purchaseScore = calculatePurchaseScore(behaviorData);// 合并行为层总分return interactionScore.join(purchaseScore, "user_id", "fullouter").withColumn("behavior_score", functions.coalesce(functions.col("interaction_score"), functions.lit(30.0))+ functions.coalesce(functions.col("purchase_score"), functions.lit(20.0))).select("user_id", "behavior_score");}/*** 计算互动行为得分（0-50分）*/private static Dataset<Row> calculateInteractionScore(Dataset<Row> behaviorData) {// 日均访问时长（单位：分钟）：近90天总时长/活跃天数Dataset<Row> dailyDuration = behaviorData.groupBy("user_id", functions.to_date(functions.col("visit_time")).alias("visit_date")).agg(functions.sum("stay_duration").alias("daily_total_duration")) // 每日总停留时长（秒）.groupBy("user_id").agg(functions.sum("daily_total_duration").alias("total_duration"),functions.count("visit_date").alias("active_days")).withColumn("avg_daily_duration", functions.col("total_duration").divide(functions.col("active_days")).divide(60)) // 转为分钟// 日均访问时长得分：≥30分钟（30分），10-29分钟（25分），5-9分钟（15分），<5分钟（5分）.withColumn("duration_score", functions.when(functions.col("avg_daily_duration").geq(30), 30.0).when(functions.col("avg_daily_duration").between(10, 29), 25.0).when(functions.col("avg_daily_duration").between(5, 9), 15.0).otherwise(5.0));// 周活跃天数：近90天平均每周活跃天数Dataset<Row> weeklyActive = behaviorData.withColumn("week", functions.date_trunc("week", functions.col("visit_time"))).groupBy("user_id", "week").agg(functions.countDistinct(functions.to_date(functions.col("visit_time"))).alias("weekly_active_days")).groupBy("user_id").agg(functions.avg("weekly_active_days").alias("avg_weekly_active_days"))// 周活跃天数得分：≥5天（20分），3-4天（15分），1-2天（10分），<1天（5分）.withColumn("active_score", functions.when(functions.col("avg_weekly_active_days").geq(5), 20.0).when(functions.col("avg_weekly_active_days").between(3, 4), 15.0).when(functions.col("avg_weekly_active_days").between(1, 2), 10.0).otherwise(5.0));// 互动行为总分（0-50分）return dailyDuration.join(weeklyActive, "user_id", "fullouter").withColumn("interaction_score", functions.coalesce(functions.col("duration_score"), functions.lit(5.0))+ functions.coalesce(functions.col("active_score"), functions.lit(5.0))).select("user_id", "interaction_score");}/*** 计算购买行为得分（0-50分）*/private static Dataset<Row> calculatePurchaseScore(Dataset<Row> behaviorData) {// 复购频率：近90天复购次数/总购买次数（复购定义：同一用户不同日期的购买）Dataset<Row> repeatBuyRate = behaviorData.filter(functions.col("action_type").equalTo("PURCHASE")) // 仅筛选购买行为.groupBy("user_id").agg(functions.count("visit_time").alias("total_purchase_count"),functions.countDistinct(functions.to_date(functions.col("visit_time"))).alias("purchase_days")).withColumn("repeat_buy_rate", functions.col("purchase_days").divide(functions.col("total_purchase_count")))// 复购频率得分：≥0.7（30分），0.5-0.69（25分），0.3-0.49（15分），<0.3（5分）.withColumn("repeat_buy_score", functions.when(functions.col("repeat_buy_rate").geq(0.7), 30.0).when(functions.col("repeat_buy_rate").between(0.5, 0.69), 25.0).when(functions.col("repeat_buy_rate").between(0.3, 0.49), 15.0).otherwise(5.0));// 加购转化率：近90天加购后购买次数/总加购次数Dataset<Row> cartConvertRate = behaviorData.groupBy("user_id", functions.to_date(functions.col("visit_time")).alias("visit_date")).agg(functions.sum(functions.when(functions.col("action_type").equalTo("CART"), 1).otherwise(0)).alias("cart_count"),functions.sum(functions.when(functions.col("action_type").equalTo("PURCHASE"), 1).otherwise(0)).alias("purchase_after_cart_count")).groupBy("user_id").agg(functions.sum("cart_count").alias("total_cart_count"),functions.sum("purchase_after_cart_count").alias("total_purchase_after_cart_count")).withColumn("cart_convert_rate", functions.when(functions.col("total_cart_count").gt(0),functions.col("total_purchase_after_cart_count").divide(functions.col("total_cart_count"))).otherwise(0.0))// 加购转化率得分：≥0.6（20分），0.4-0.59（15分），0.2-0.39（10分），<0.2（5分）.withColumn("cart_convert_score", functions.when(functions.col("cart_convert_rate").geq(0.6), 20.0).when(functions.col("cart_convert_rate").between(0.4, 0.59), 15.0).when(functions.col("cart_convert_rate").between(0.2, 0.39), 10.0).otherwise(5.0));// 购买行为总分（0-50分）return repeatBuyRate.