咱們在《利用歷史數據作商業預測的全過程》(如下簡稱前文) 一文中介紹瞭如何使用歷史數據進行商業預測的過程。不一樣的商業需求，還會有些各自的特殊性，本文將介紹如何使用預測技術來提高營銷成功率。ide
1. 準備歷史數據性能
在營銷場景中，要預測的目標是客戶的購買行爲，須要蒐集一些可能會影響購買行爲的信息字段，好比客戶的年齡、學歷、工做、收入、家庭結構、生活習慣、購物偏好，以及產品的特色、促銷力度等信息，收集到的相關信息越多，預測效果也會越好。3d
另外，咱們還能夠根據業務特色，分地區、分客羣進行預測，好比紐約的房價和中南部城市的房價徹底不同。再好比，汽車的銷售，男性客戶一般會關注性能，女性客戶則更關注外觀，還有高端客戶和中低端客戶的需求特色也會截然不同。不少時候區分客戶羣體的分析預測，要比全體直接預測效果要更好，更有針對性。blog
若是是分地區、分客羣的預測，那麼對應的寬表也要多準備幾張，好比分 3 個客羣，寬表就要對應準備 3 張。排序
2. 創建模型產品
按前文所述便可，若是有多個客羣，那就須要創建多個模型。it
3. 預測客戶購買清單電商
用前文的方法，能夠實現預測，而後按照預測的機率結果從高到低排序，找前面機率較高的顧客來進行營銷活動就能夠了。排在前面的顧客的營銷成功率更高。class
4. Lift 指數變量
營銷場景中，除了用通用的 AUC 指標來看準確率以外，還有一個很實用的評估方法稱爲 Lift 曲線。Lift 表示提高指數，它的值爲使用和不使用預測模型得到的結果之間的比率。以下圖所示。
橫座標表示將預測機率從高到底排序取數，10，20……分別表示機率排名前 10%，20%……的客戶，縱座標表示在排名階段對應的提高指數。例如某種產品它的基準購買率爲 1.5%，也就是說不採用模型的傳統營銷，平均每 100 我的裏會有 1.5 我的會購買該產品。而後創建模型後，經過圖中的 Lift 曲線可知，排名前 5% 的數據提高度爲 14.4，即平均在 100 人裏會有 1.5*14.4=21.5 我的購買產品。也就是說對機率排名前 5% 的客戶進行營銷，要比傳統營銷，成功率可提升 14.4 倍。隨着橫座標用戶百分比的增長，lift 值呈遞減趨勢，對應客戶的含金量也在下降，當下降到某個段就沒太大營銷的意義了。例如圖中對於排名約前 15% 的客戶來講，lift 值都大於 1，也就是說對前 15% 的客戶進行營銷，成功率要高於隨機選擇客戶。咱們能夠根據這個 Lift 曲線來決定選擇機率排名前多少比例的客戶去作營銷。Lift 曲線越陡，說明模型篩選優質客戶的能力越好，如圖中的 Lift 曲線就是一個還不錯的模型，可以幫助咱們更有效的找到目標客戶，以最低的成本找到最容易成交的客戶。
5. 多產品組合購買清單
若是銷售產品只有一種或少數幾種，到步驟 4 就完成了。
若是銷售產品種類不少，好比十幾種，甚至上百種，還能夠經過挖掘客戶的興趣愛好，向其推薦產品組合，來進一步提升營銷成功率和營銷價值。好比，銀行會有幾十種金融產品須要營銷，家電公司會有各類家電產品須要銷售，超市或電商須要售賣的產品多種多樣，保險公司有各類不一樣種類的保險須要營銷……。
歷史上很經典的啤酒和尿布的案例，就是經過挖掘數據規律將兩個看似無關聯的產品組合銷售，使得尿布和啤酒的銷量雙雙增長。再好比，銀行的金融產品種類不少，咱們能夠經過挖掘用戶的購買偏好，將購買機率較高的幾種產品進行組合銷售。
產品組合購買清單的預測也很是簡單，YModel 中有現成的功能模塊。具體操做以下：
（1） 在步驟 1，準備多目標的寬表，將預測產品所需的歷史信息和目標變量作到一張寬表裏，以下圖 y1，y2，y3……表示每種產品是否購買的歷史數據，即多目標。
（2） 在步驟 2 中配置目標變量時，將單目標變量改成多目標變量，如圖所示。YModel 會自動地根據用戶喜愛進行產品組合。
其餘的操做步驟和單產品都是相同的，預測完成後會出現相似下圖的預測結果：
左側第一列是產品組合的內容，第二列是用戶購買該組合的機率，一樣將結果導出後就生成了產品組合購買清單，而後能夠對前面機率較高的客戶進行營銷。須要注意的是對於組合機率是沒有 Lift 曲線的，取排名前多少的客戶就視狀況而定了（一般這個數必定會多於單產品的客戶數）。