咱们在《利用历史数据做商业预测的全过程》(以下简称前文) 一文中介绍了如何应用历史数据进行商业预测的过程。不同的商业需要，还会有些各自的特殊性，本文将介绍如何应用预测技术来晋升营销成功率。
1. 筹备历史数据
在营销场景中，要预测的指标是客户的购买行为，须要收集一些可能会影响购买行为的信息字段，比方客户的年龄、学历、工作、支出、家庭构造、生活习惯、购物偏好，以及产品的特点、促销力度等信息，收集到的相干信息越多，预测成果也会越好。
另外，咱们还能够依据业务特点，分地区、分客群进行预测，比方纽约的房价和中南部城市的房价齐全不一样。再比方，汽车的销售，男性客户通常会关注性能，女性客户则更关注外观，还有高端客户和中低端客户的需要特点也会天壤之别。很多时候辨别客户群体的剖析预测，要比整体间接预测成果要更好，更有针对性。
如果是分地区、分客群的预测，那么对应的宽表也要多筹备几张，比方分 3 个客群，宽表就要对应筹备 3 张。
2. 建设模型
按前文所述即可，如果有多个客群，那就须要建设多个模型。
3. 预测客户购买清单
用前文的办法，能够实现预测，而后依照预测的概率后果从高到低排序，找后面概率较高的顾客来进行营销流动就能够了。排在后面的顾客的营销成功率更高。
4. Lift 指数
营销场景中，除了用通用的 AUC 指标来看准确率之外，还有一个很实用的评估办法称为 Lift 曲线。Lift 示意晋升指数，它的值为应用和不应用预测模型取得的后果之间的比率。如下图所示。
横坐标示意将预测概率从高到底排序取数，10，20……别离示意概率排名前 10%，20%……的客户，纵坐标示意在排名阶段对应的晋升指数。例如某种产品它的基准购买率为 1.5%，也就是说不采纳模型的传统营销，均匀每 100 集体里会有 1.5 集体会购买该产品。而后建设模型后，通过图中的 Lift 曲线可知，排名前 5% 的数据晋升度为 14.4，即均匀在 100 人里会有 1.5*14.4=21.5 集体购买产品。也就是说对概率排名前 5% 的客户进行营销，要比传统营销，成功率可进步 14.4 倍。随着横坐标用户百分比的减少，lift 值呈递加趋势，对应客户的含金量也在升高，当升高到某个段就没太大营销的意义了。例如图中对于排名约前 15% 的客户来说，lift 值都大于 1，也就是说对前 15% 的客户进行营销，成功率要高于随机抉择客户。咱们能够依据这个 Lift 曲线来决定抉择概率排名前多少比例的客户去做营销。Lift 曲线越陡，阐明模型筛选优质客户的能力越好，如图中的 Lift 曲线就是一个还不错的模型，可能帮忙咱们更无效的找到指标客户，以最低的老本找到最容易成交的客户。
5. 多产品组合购买清单
如果销售产品只有一种或少数几种，到步骤 4 就实现了。
如果销售产品种类很多，比方十几种，甚至上百种，还能够通过开掘客户的兴趣爱好，向其举荐产品组合，来进一步提高营销成功率和营销价值。比方，银行会有几十种金融产品须要营销，家电公司会有各种家电产品须要销售，超市或电商须要售卖的产品多种多样，保险公司有各种不同品种的保险须要营销……。
历史上很经典的啤酒和尿布的案例，就是通过开掘数据法则将两个看似无关联的产品组合销售，使得尿布和啤酒的销量双双减少。再比方，银行的金融产品种类很多，咱们能够通过开掘用户的购买偏好，将购买概率较高的几种产品进行组合销售。
产品组合购买清单的预测也非常简单，YModel 中有现成的功能模块。具体操作如下：
（1）在步骤 1，筹备多指标的宽表，将预测产品所需的历史信息和指标变量做到一张宽表里，如下图 y1，y2，y3……示意每种产品是否购买的历史数据，即多指标。
（2）在步骤 2 中配置指标变量时，将单指标变量改为多指标变量，如图所示。YModel 会主动地依据用户爱好进行产品组合。
其余的操作步骤和单产品都是雷同的，预测实现后会呈现相似下图的预测后果：
左侧第一列是产品组合的内容，第二列是用户购买该组合的概率，同样将后果导出后就生成了产品组合购买清单，而后能够对后面概率较高的客户进行营销。须要留神的是对于组合概率是没有 Lift 曲线的，取排名前多少的客户就视状况而定了（通常这个数肯定会多于单产品的客户数）。