基于机器学习来构建节日大促的营销模型，分为几个步骤：
1. 需求定义
跟业务确定需要建模的目标（预计圈选会员数），预计圈选时间以此确定模型交付时间，今年大促的活动周期（方便根据同个周期选取去年同个时间段的数据用于训练集），确定会员的口径范围和订单的口径范围。
2. 数据分析
根据1需求分析确定的内容，首先是进行训练集和预测集的数据分析，判断正负样本比是否满足条件，以及数据上是否有什么明显的特征
3. 构建训练集和预测集
根据1需求分析，需要构建特征和标签，例如选取五一大促作为建模目标，预计选取100w会员进行营销推送，时间是4月28日，那么同样选取2023年4月28日作为建模特征点，2023年4月29日到2023年5月3日为标签计算时间，以此为训练集。
特征方面，多挖掘一些RFM、会员等级、会员购买偏好的特征。
4. 模型训练
根据训练集特征和标签进行模型训练，一般是使用梯度提升决策树模型，具有一定的解释性，效果同时优于其他机器学习算法。记得划分出70%的训练集，30%的验证集。
- (
- learning_rate =0.1,
- n_estimators=100,
- max_depth=3,
- subsample=0.8,
- colsample_bytree=0.8,
- nthread=4,
- seed=27)
5. 模型评估
分析训练集和验证集的AUC，判断过拟合还是欠拟合，并且会看模型的特征重要性和概率分层的准确率和召回率、以及Lift提升度。
6. 业务评估
评估流程有两步：
（1）对比业务过往的圈人逻辑，用模型圈选同样会员等级同样会员数进行同等级对比，目标是证明模型在同等级同会员的情况下效果更好
（2）在确定1有效果后，根据业务过往的圈人逻辑圈选出同样的会员数，让模型自由的选取各等级的会员数，看效果提升能有多少
7. 效果复盘
在实际营销推送的时候，可以设置70%的算法模型实验组，30%的业务规则对比组，用来对比效果。