我们在《 怎样利用历史数据做商业预测 》(以下简称前文) 一文中介绍了如何使用历史数据进行商业预测的过程。不同的商业需求，还会有些各自的特殊性，本文将介绍如何使用预测技术来提升营销成功率。

1. 准备历史数据

在营销场景中，要预测的目标是客户的购买行为，需要搜集一些可能会影响购买行为的信息字段，比如客户的年龄、学历、工作、收入、家庭结构、生活习惯、购物偏好，以及产品的特点、促销力度等信息，收集到的相关信息越多，预测效果也会越好。

另外，我们还可以根据业务特点，分地区、分客群进行预测，比如纽约的房价和中南部城市的房价完全不一样。再比如，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求特点也会大相径庭。很多时候区分客户群体的分析预测，要比全体直接预测效果要更好，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准备几张，比如分 3 个客群，宽表就要对应准备 3 张。

2. 建立模型

按前文所述即可，如果有多个客群，那就需要建立多个模型。

3. 预测客户购买清单

用前文的方法，可以实现预测，然后按照预测的概率结果从高到低排序，找前面概率较高的顾客来进行营销活动就可以了。排在前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方法称为 Lift 曲线。Lift 表示提升指数，它的值为使用和不使用预测模型获得的结果之间的比率。如下图所示。

横坐标表示将预测概率从高到底排序取数，10，20……分别表示概率排名前 10%，20%……的客户，纵坐标表示在排名阶段对应的提升指数。例如某种产品它的基准购买率为 1.5%，也就是说不采用模型的传统营销，平均每 100 个人里会有 1.5 个人会购买该产品。然后建立模型后，通过图中的 Lift 曲线可知，排名前 5% 的数据提升度为 14.4，即平均在 100 人里会有 1.5*14.4=21.5 个人购买产品。也就是说对概率排名前 5% 的客户进行营销，要比传统营销，成功率可提高 14.4 倍。随着横坐标用户百分比的增加，lift 值呈递减趋势，对应客户的含金量也在降低，当降低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，成功率要高于随机选择客户。我们可以根据这个 Lift 曲线来决定选择概率排名前多少比例的客户去做营销。Lift 曲线越陡，说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，能够帮助我们更有效的找到目标客户，以最低的成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 就完成了。

如果销售产品种类很多，比如十几种，甚至上百种，还可以通过挖掘客户的兴趣爱好，向其推荐产品组合，来进一步提高营销成功率和营销价值。比如，银行会有几十种金融产品需要营销，家电公司会有各种家电产品需要销售，超市或电商需要售卖的产品多种多样，保险公司有各种不同种类的保险需要营销……。

历史上很经典的啤酒和尿布的案例，就是通过挖掘数据规律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增加。再比如，银行的金融产品种类很多，我们可以通过挖掘用户的购买偏好，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，准备多目标的宽表，将预测产品所需的历史信息和目标变量做到一张宽表里，如下图 y1，y2，y3……表示每种产品是否购买的历史数据，即多目标。

（2） 在步骤 2 中配置目标变量时，将单目标变量改为多目标变量，如图所示。YModel 会自动地根据用户喜好进行产品组合。

其他的操作步骤和单产品都是相同的，预测完成后会出现类似下图的预测结果：

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，同样将结果导出后就生成了产品组合购买清单，然后可以对前面概率较高的客户进行营销。需要注意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情况而定了（通常这个数一定会多于单产品的客户数）。