You need to enable JavaScript to run this app.
导航
【案例】⁣汽车用户意向标签预测
最近更新时间:2024.07.11 17:32:50首次发布时间:2023.03.17 14:39:45

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。
图片

3.问题建模

图片
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

图片
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
图片