一、概述
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，结合用户全生命周期的管理，对不同生命周期采取不同的营销策略：
对无感知用户：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，用历史留存成功营销购车/换购的用户数据来做训练，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
二、建模过程
1.数据描述
| 字段名称 | 字段类型 | 字段意义 | 字段说明 |
| uid | bigint | 用户id | - |
| gender | string | 性别 | 性别：男、女 |
| age | string | 年龄段 | 年龄段：18-23、24-30、31-40、41-50、51- |
| area | string | 常驻地 | 常驻地-区 |
| lifestage | string | 人生阶段 | 人生阶段：征婚、备婚、孕期、已育 |
| education | string | 学历 | 学历：高中及以下、专科、本科、硕士及以上 |
| job | string | 职业 | 职业：留学生、医生、律师、教师、蓝领、白领、其余 |
| birthday | string | 生日 | 生日 |
| lifecycle | string | 生命周期 | 生命周期：粉丝、潜客、车主、流失 |
| own_store | string | 所属门店 | 所属门店：中环广汇、浦东永达、其余 |
| own_sales | string | 负责销售 | 负责销售：道森、王宁、罗伯特 |
| wanted_store | string | 意向经销商： | 意向经销商：浦东永达、中环广汇 |
| wanted_carmodel | string | 意向车型 | 意向车型：RX5 Plus、ER6、RX3、i5、i6、iMAX8、未知 |
| rank | string | 意向评级 | 意向评级：高、中、低、已成交 |
| lasttime_pudongyongda_testdrive | string | 上次门店试驾时间 | 上次门店试驾时间：1周内、2周内、1月内、2月内、3月内、半年内、一年内 |
| newcar_tasting | string | 新车品鉴会 | 新车品鉴会：是、否 |
| storetimes_lastthreemonth | string | 近3个月访问经销商次数 | 近3个月访问经销商次数：0、1、2、3、4、>4 |
| storenumbers_lastthreemonth | string | 近3个月访问经销商个数 | 近3个月访问经销商个数：0、1、2、3、4、>4 |
| warranty_times | int | 质保期内进店次数 | 质保期内进店次数：0、1、2、3、4、5 |
| warranty_values | string | 质保期内服务总价值 | 质保期内服务总价值：0~ 3000、3000~ 5000、5000~ 10000、> 10000 |
| pudongyongda_noentry_time | string | 未进入本店时长 | 未进入本店（浦东永达）时长：1个月、2个月、3个月、4个月、5个月、6个月、7个月、8个月、9个月、10个月、11个月、12个月 |
| forwardtimes_lastthreemonth | string | 近3个月累计转发 | 近3个月累计转发：< 3、3~ 5、6~ 10、> 10 |
| publishtimes_lastmonth | string | 近1个月发帖数 | 近1个月发帖数：0、1、2、3、4、>4 |
| applets_opentimes_lastmonth | int | 近1个月小程序打开次数 | 近1个月小程序打开次数 |
| optionalpackpage_opentimes_lastmonth | int | 近一个月选装包页打开次数 | 近一个月选装包页打开次数 |
| optionalpackpage_time_lastmonth | int | 近一个月选装包页浏览时长 | 近一个月选装包页浏览时长。单位：min |
| last_eta | int | 当前eta | 当前eta。单位：天 |
| eta_modifytimes | string | eta修改次数 | eta修改次数：0、1、2、3、4、>4 |
| pointuse_lastmonth | string | 近一个月是否使用过积分 | 近一个月是否使用过积分：是、否 |
| point_count | string | 积分量 | 积分量：0-500、500-10000、10000-30000、30000以上 |
| active_lasttime | string | 上一次活跃时间 | 上一次活跃时间 |
| contact_preference | string | 触点偏好 | 触点偏好 |
| gift_preference | string | 精品品类偏好 | 精品品类偏好 |
| carowner | string | 本品车主 | 本品车主 |
| salescarmodel | string | 本品成交车型 | 本品成交车型 |
| salestime | string | 本品成交日期 | 本品成交日期 |
| carownerappvisit | string | 车主app访问频率 | 车主app访问频率 |
| othercarmodel | string | 其余持有车型 | 其余持有车型 |
| interest_car_price | string | 汽车价格 | 汽车价格 |
| interest_car_brand_country | string | 汽车国别 | 汽车国别 |
| interest_car_brand | string | 汽车品牌 | 汽车品牌 |
| interest_car_other_series_type | string | 汽车车型 | 汽车车型 |
| interest_car_newenergy_type | string | 新能源类型 | 新能源类型 |
| client_stage | string | 客户阶段 | 客户阶段 |
| channel | string | 留资渠道 | 留资渠道 |
| community_pv_lastweek | int | 过去一周的社区pv | 过去一周的社区pv |
| community_creation_lastweek | int | 过去一周的社区内容创造 | 过去一周的社区内容创造 |
| community_forward_lastweek | int | 过去一周的社区转发 | 过去一周的社区转发 |
| community_recruit_lastweek | int | 过去一周的社区拉新 | 过去一周的社区拉新 |
| car_optical_pack_eagerness | string | 选装包偏好 | 选装包偏好 |
| car_pick_up_eagerness | string | 提车迫切度 | 提车迫切度 |
| returned_customer | string | 回头客 | 回头客 |
| car_price_comparison | string | 跨店比价 | 跨店比价 |
| stored_many_points | string | 积分大量囤积 | 积分大量囤积 |
| club_freshman | string | 俱乐部新手 | 俱乐部新手 |
| recall_values | string | 流失召回价值 | 流失召回价值 |
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.数据准备
hive数据接入，数据准备支持直连hive数据源，简单的将数据搜索+拖拉即可接入数据，此案例分为两份数据，历史手工标记数据+新产生数据，对历史标记数据针对意向评级进行分类训练，对新数据进行意向预测。
3.问题建模
我们选择核心的指标进行意向训练，由于事前我们数据进行了处理，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
4.模型评估
数据准备模块支持训练模型评估的功能，辅助用户手动调参。参考上图的混淆矩阵，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，同时支持加权召回率、加权查准率、准确率的计算
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，后续可以结合ABI进行分析处理。同时也可以对接CDP平台，对该指标进行标签洞察/营销应用/用户分群中投入生产使用