汽车用户意向标签预测

汽车营销有丰富的意向推荐场景，比如常见的选装包意向推荐、潜客购车意向预判、换新/维修意向预测，业务人员可以结合用户全生命周期的管理，对不同生命周期的用户群体采取不同的营销策略，如：

• 对无感知用户：进行汽车品牌/车型介绍，学车知识推送

• 学车用户：汽车品牌/车型介绍，购车需求了解，学车知识，购车知识

• 计划买车用户：汽车品牌/车型介绍，买车时间，买车预算，意向车型推送，购车知识，汽车优惠推广

• 即将购车用户：汽车品牌/车型介绍，买车时间，买车预算，意向车型推送，购车知识，汽车优惠推广，留资

• 刚买车用户：汽车品牌/车型介绍，买车时间，品牌车型，汽车优惠活动，留资，购车知识

• 老车主：汽车品牌/车型介绍，复购换购需求，买车预算，意向车品牌，换购留资，汽车知识，优惠活动

本案例针对计划购车、即将购车、老车主的场景，采用机器学习的方式，推算用户的购车意向，用历史留存的购车及换购用户数据来做训练，对符合三种生命周期的用户做购车意向预测，并采取合适的营销手段。

2.1 数据描述

数据中包含了大部分经过数据处理的关键性指标，包括用户的生命周期/活跃度/渠道信息/个人属性等，利用这样结构化的数据，直接经过简单的建模，可以对意向评级进行预测，从而进行精准营销。

2.2 数据准备

通过直连hive数据完成数据的接入，此案例分为两份数据，即历史手工标记数据和新产生数据。对历史标记数据针对意向评级进行进行分类训练，对新数据进行意向预测。

2.3 问题建模

选择核心的指标进行意向训练，由于前置完成了数据处理，可以理解所有的指标都核心影响意向的选择，所以这里无须进行特征筛选/特征处理工作，经过简单的逻辑回归，即可达到目标要求。

2.4 模型评估

支持训练模型评估的功能，辅助用户手动调参。参考下图的混淆矩阵，显示了模型最终效果的召回和精确率，显示不同分类情况下，用测试集的性能，同时还支持加权召回率、加权查准率、准确率的计算。

2.5 数据生产应用

在得到效果较好的模型之后，可以将预测的结果输出到hive/clickhosue，后续可以在DataWind平台中进行可视化查询/创建仪表盘大屏。也可以结合CDP产品，进行标签洞察/营销应用/用户分群等。