预测客户意图

Question

我得到了这个前景数据集：

ID     Company_Sector         Company_size  DMU_Final  Joining_Date  Country
65656  Finance and Insurance       10        End User   2010-04-13   France
54535  Public Administration       1         End User   2004-09-22   France

和销售数据集：

ID    linkedin_shared_connections   online_activity  did_buy   Sale_Date
65656            11                        65           1      2016-05-23
54535            13                        100          1      2016-01-12

我想建立一个模型，为潜在客户表中的每个潜在客户分配成为客户的概率。该模型将预测潜在客户是否会购买，并返回概率。 Sales 表提供有关 2015 年销售额的信息。我的方法——“确实购买”列应该是模型中的一个标签，因为 1 代表 2016 年购买的潜在客户，0 表示没有销售。另一个有趣的专栏是在线活动，范围从 5 到 685。它越高 - 潜在客户对产品的活跃度越高。所以我正在尝试做随机森林模型，然后以某种方式将每个潜在客户的概率放在新的意图列中。在这种情况下，随机森林是一个有效的模型，还是我应该使用另一个模型。如何将模型结果应用到第一个表中每个潜在客户的新“意图”列中。

Answer 1

首先，请参阅How to ask 和On-topic 指南。这更像是一个咨询，而不是一个实际或具体的问题。也许更合适的主题是机器学习。

TL;DR：随机森林很好，但由于数据不平衡，似乎不合适。您应该阅读推荐系统，以及更流行的性能良好的模型，例如 Wide and Deep

答案取决于：您有多少数据？在推理过程中你有哪些可用数据？在客户购买之前，您能看到潜在销售的当前“online_activity”属性吗？许多问题可能会改变适合您任务的整个方法。

建议：

一般来说，在这类业务中，您通常会处理非常不平衡的数据——“did_buy”=1 的数量很少，而潜在客户数量庞大。

在数据科学方面，您应该为成功定义有价值的指标，并尽可能将其直接映射到金钱上。在这里，通过广告或接近更有可能的客户采取行动似乎可以提高“did_buy”/“was_approached”是衡量成功的重要指标。加班，如果你增加这个数字，你就成功了。

要考虑的另一件事是您的数据可能很稀疏。我不知道您通常会得到多少购买，但可能是每个国家/地区只有 1 个等。这也应该考虑在内，因为简单的随机森林可以很容易地在其大多数随机模型中定位该列，并且过度拟合将成为一个大问题。 决策树受到不平衡数据集的影响。但是，通过获取叶子中每个标签的概率而不是决策，有时对简单的可解释模型会有所帮助，并且它反映了不平衡的数据。说实话，我并不真正相信这是正确的接近。

如果我在你身边：

我首先将 Prospects 列嵌入到向量中：

• 将类别转换为随机向量（针对每个类别）或 one-hot 编码。
• 将公司规模标准化或划分为适合预测模型的数字（下一个）
• 关于日期的想法相同。在这里，也许年份可能会有问题，但几个月/几天应该是有用的。
• Country 绝对是分类的，可能会添加另一个“未知”国家/地区类。

那么，

• 我会使用可以根据不同成本实际优化的模型。逻辑回归是一种广泛的回归，深度神经网络是另一种选择，或者参见 Google 的Wide and deep 了解组合。
• 将成本设置为我的黄金数字（标签方面的货币指标）或尽可能接近的值。
• 运行实验

最后，

• 检查我的结果以及失败的原因。
• 建议其他型号/功能
• 重复。
• 去吃发射。
• 问一堆数据问题。
• 尝试至少回答一些问题。
• 发现数据中新的有趣关系。
• 推荐一些有趣的东西。
• 重复（明天）。

当然，除了上述内容之外，还有很多其他内容，但这是供您在数据和业务中发现的。

希望我能帮上忙！祝你好运。