天池新人实战赛o2o优惠券使用预测

O2O优惠券使用预测的第一名解决方案

『 天池竞赛』O2O优惠券使用预测思路总结-附件资源

构建用户、商家、优惠券特征群，以及用户-商家，用户-优惠券，商家-优惠券 三个交叉特征群。 主要包括以下特征： 1.统计特征（最大/最小/平均值/比率 等） 2.排序特征（各个实体对距离，折扣率等的排序） 3.时间特征（日期，时间差等） 从用户画像的角度来看，统计特征和组合特征，主要分别刻画了用户，商家，优惠券的行为，比如，用户领券次数，商家的热度，优惠券的流行度等等。但是，排序特征，更多地从时间角度，和用户心理角度去考虑。比如说，距离领券时间越近，消费的欲望越强，因为如果领取了优惠券而迟迟没有消费，可能用户本身也忘记了这张优惠券的存在。同时，还有对距离的排序，线下商家与用户的距离越近，肯定要比远的商家消费的概率要大的。 三、训练模型 主要使用xgboost模型。该模型精度较高，但训练时间较长。

随着移动设备的完善和普及，移动互联网+各行各业进入了高速发展阶段，这其中以O2O（Online to Offline）消费最为吸引眼球。据不完全统计，O2O行业估值上亿的创业公司至少有10家，也不乏百亿巨头的身影。O2O行业天然关联数亿消费者，各类APP每天记录了超过百亿条用户行为和位置记录，因而成为大数据科研和 商业化运营的最佳结合点之一。 以优惠券盘活老用户或吸引新客户进店消费是的一种重要营销方式。然而随机投放的优惠券对多数用户造成无意义的干扰。对商家而言，滥发的优惠券可能降低品牌声誉，同时造成难以估算营销成本。 个性化投放是提高优惠券核销率的重要技术，它可以让具有一定偏好的消费者得到真正的实惠，同时赋予商家更强的营销能力