Feature engineering для табличной задачи

Начинаю с домена и точки прогноза: все признаки строятся по данным строго до неё. Для оттока основа это поведенческие агрегаты по окнам 7, 30 и 90 дней: число сессий и покупок, суммы, разнообразие категорий, давность последней активности, тренды (отношение последних 30 дней к предыдущим), обращения в поддержку и жалобы. Категории кодирую one-hot при малой кардинальности, иначе target encoding вне фолда или отдаю CatBoost. Денежные признаки логарифмирую, выбросы обрезаю, для пропусков добавляю индикаторы. Каждую группу признаков проверяю на валидации, а не верю интуиции, смотрю важности и SHAP, чтобы поймать подозрительные. Чтобы в проде признаки считались так же, как в обучении, держу их в общем коде или в feature store с point-in-time join, иначе получу training-serving skew.