基于機器學習組合模型的用戶消費行為預測

張 峰，張麗娜，李靜靜

（河北工程大學，河北 邯鄲 056038）

0 引言

在企業(yè)的日常運營中，無論是線上還是線下都產(chǎn)生了大量的用戶消費行為數(shù)據(jù)。這些數(shù)據(jù)為企業(yè)帶來了新的發(fā)展機遇但也使企業(yè)面臨巨大的挑戰(zhàn)，如何判別高質(zhì)量的用戶和渠道、優(yōu)化營銷成本成為各領(lǐng)域企業(yè)的痛點。對企業(yè)而言，傳統(tǒng)的營銷渠道已經(jīng)無法有效地滿足用戶的個性化和多樣化需求，互聯(lián)網(wǎng)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，為公司拓寬了獲客渠道。因此，以用戶消費行為分析為核心，依托互聯(lián)網(wǎng)技術(shù)和數(shù)據(jù)挖掘技術(shù)的精準營銷日漸成為各大企業(yè)關(guān)注的焦點。2020年，根據(jù)中研普華產(chǎn)業(yè)研究院調(diào)研數(shù)據(jù)顯示，有超過60%的企業(yè)將大數(shù)據(jù)應用于營銷分析[1]，用戶行為數(shù)據(jù)對企業(yè)的幫助作用日益突出，各企業(yè)也逐漸開始重視將大數(shù)據(jù)加入營銷的各個環(huán)節(jié)。因此，如何充分挖掘和分析用戶消費行為數(shù)據(jù)，并依據(jù)分析結(jié)果制定營銷策略，已成為各行業(yè)企業(yè)亟需解決的重要問題。

為提高對用戶消費行為的精準預測，針對用戶消費行為預測方法，國內(nèi)外學者做了一些研究。Schmittlein等[2]針對用戶消費行為預測問題提出了經(jīng)典的概率預測模型，即Pareto/NBD模型。李美其和齊佳音[3]基于大眾點評網(wǎng)站的用戶數(shù)據(jù)，使用Pareto/NBD模型對用戶購買行為進行預測，實驗表明該方法的精度得到了提升。隨著機器學習方法的發(fā)展，不少學者開始將機器學習方法應用到用戶消費行為預測問題上。白婷等[4]利用網(wǎng)站上的用戶消費行為數(shù)據(jù)，提取有效特征，使用加權(quán)GBDT（Gradient Boosting Decision Tree）模型對用戶購買商品進行了預測。葛紹林等[5]提出深度森林模型，對用戶消費行為進行預測分析，結(jié)果表明該方法具有較好的預測效果。

因為用戶消費行為預測問題的復雜性，單一模型常常會產(chǎn)生過擬合現(xiàn)象，因此也有不少學者利用組合模型對用戶消費行為數(shù)據(jù)進行挖掘和預測分析。張韶[6]基于京東大數(shù)據(jù)平臺上的真實數(shù)據(jù)，經(jīng)過數(shù)據(jù)處理和特征選擇，然后選取了LightGBM、Cat-Boost和XGBoost模型進行單項訓練，通過加權(quán)投票和Stacking融合策略構(gòu)建組合模型，并進行對比實驗，結(jié)果表明基于加權(quán)投票的組合模型的預測效果要優(yōu)于其余單項模型。張建彬和霍佳震[7]基于已有的銷售數(shù)據(jù)，提出了一種基于機器學習和Stacking集成的綜合預測模型，結(jié)果表明該融合模型的預測效果優(yōu)于單一模型，準確率達85%。

綜上所述，對用戶消費行為預測問題的研究仍處于不斷發(fā)展階段，國內(nèi)外學者從最初的統(tǒng)計學方法發(fā)展到現(xiàn)在的機器學習方法，通過模型構(gòu)建方式對用戶消費行為預測進行了深入研究。然而，在具體的實際問題中，當前方法的預測性能還不是十分理想。因此，本文將針對某平臺上的用戶消費行為數(shù)據(jù)，分析用戶消費行為與商品之間的潛在關(guān)系，結(jié)合處理效率較高的隨機森林和Logistic模型，提出一種基于組合模型的用戶消費行為預測方法，以提升用戶的購買轉(zhuǎn)換率，增強預測模型對實際問題的適用性。

1 數(shù)據(jù)來源及清洗

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于2021年全國大學生數(shù)據(jù)統(tǒng)計與分析競賽（https://m.saikr.com/dsa/2021），原始數(shù)據(jù)集包括用戶信息表（user_info）、用戶登錄情況表（login_day）、用戶訪問統(tǒng)計表（visit_info）、用戶下單表（result）4部分，各部分的特征字段和樣本情況，如表1所示。

表1 用戶消費行為數(shù)據(jù)情況Table 1 Data of user consumption behavior

1.2 數(shù)據(jù)清洗

由于原始數(shù)據(jù)中存在大量缺失、異常以及重復等情況，為了對用戶的消費行為進行可視化和預測分析，本文需要對初始數(shù)據(jù)進行清洗，進一步提高數(shù)據(jù)集的質(zhì)量。

首先，對缺失值進行刪除。缺失數(shù)據(jù)是指數(shù)據(jù)集中存在空白或未知數(shù)據(jù)的情況。針對用戶信息表中“城市”字段存在缺失（共計28209條）問題，進行刪除處理。

其次，對異常值進行清除。異常值是指在數(shù)據(jù)記錄中存在不符合實際情況的數(shù)據(jù)，比如在用戶登錄情況表和用戶訪問統(tǒng)計表中，用戶沒有領(lǐng)券訪問次數(shù)的記錄卻存在已經(jīng)領(lǐng)券的情況、平臺開課數(shù)為0但用戶學習課節(jié)數(shù)和完成課節(jié)數(shù)不為0的情況、用戶登錄時長為0但用戶的登錄天數(shù)和最后登錄距期末天數(shù)的值卻不為0等多種不切實際的情況，約占整體數(shù)據(jù)的18.66%。將這些異常值進行刪除，剩余有效數(shù)據(jù)共計110306條。

再次，對重復值進行處理。重復數(shù)據(jù)是指同一數(shù)據(jù)多次出現(xiàn)的情況，比如在用戶下單表中，用戶ID為“2000002390697240”、“2000002516432100”和“2000002480841520”等均重復出現(xiàn)多次，在用戶信 息 表 中 用 戶ID為“2000002352923140”、“200000235 2922980”的用戶均重復出現(xiàn)多次。因此，本文對用戶信息表中的9979條重復值、用戶登錄情況表與用戶訪問統(tǒng)計表中的4條重復值、用戶下單表中的13條重復值進行刪除。

通過上述步驟對4個部分的數(shù)據(jù)進行清洗處理后，以用戶ID進行匹配合并，得到新的樣本數(shù)據(jù)共計86776條。

2 數(shù)據(jù)的可視化分析

為找出其中的行為規(guī)律以及挖掘數(shù)據(jù)中更為豐富的潛在價值，本文根據(jù)數(shù)據(jù)清洗得到的用戶消費行為數(shù)據(jù)進行可視化分析。這里主要對數(shù)據(jù)集中的用戶城市分布情況、用戶登錄情況（包括登錄天數(shù)、登錄間隔、最后登錄距期末天數(shù)和登錄時長）兩個方面進行可視化分析。

2.1 用戶城市分布情況

對數(shù)據(jù)中的城市字段（city_num），首先按照各城市所屬的?。ㄊ?、自治區(qū)）進行統(tǒng)計劃分，然后統(tǒng)計各省市中總用戶數(shù)量和購買用戶數(shù)量，最后借助ArcGIS軟件，利用自然間斷法將用戶數(shù)量分成5個等級（city_rank），可視化結(jié)果如圖1所示。

在圖1中，左圖為總用戶數(shù)量地區(qū)分布情況，右圖為購買用戶數(shù)量地區(qū)分布情況。由于不同地區(qū)的用戶數(shù)量不同，在圖中呈現(xiàn)出的顏色存在較大差異，顏色越深表示該省市用戶數(shù)量越大，反之用戶數(shù)量越小。從圖中可以看出，總用戶數(shù)量和購買用戶數(shù)量在空間分布上不均勻，呈現(xiàn)“東高西低、南高北低”的空間分布格局，其中購買用戶數(shù)量在空間分布上的這種格局表現(xiàn)尤為顯著?？傆脩魯?shù)量較高的地區(qū)主要集中在重慶、廣東、四川、山西、山東；對應的下單購買用戶數(shù)量較高的地區(qū)主要集中在東部沿海地區(qū)和經(jīng)濟發(fā)達地區(qū)。而青海、西藏等省市由于人口基數(shù)小、互聯(lián)網(wǎng)普及率相對較低等原因，用戶數(shù)量較少。

圖1 總用戶和購買用戶所在地區(qū)空間分布圖Figure 1 Spatial distribution of users and purchasing users

2.2 用戶登錄情況

從登錄天數(shù) （login_time）、登錄間隔（login_diff_time）、最后登錄距期末天數(shù)（distance_day）和登錄時長（login_time）四個方面對用戶的登錄情況進行分析，由于字段中的數(shù)據(jù)均為離散型數(shù)據(jù)，因此先對數(shù)據(jù)進行分段處理，統(tǒng)計該區(qū)間內(nèi)用戶數(shù)量并繪制圖表，如圖2、圖3、圖4及圖5所示，其中折線表示總用戶數(shù)量，條形圖表示購買的用戶數(shù)量。

圖2 用戶登錄天數(shù)（login_day）情況Figure 2 Number of login days

圖3 用戶登錄間隔（login_diff_time）情況Figure 3 User login interval（login_diff_time）

圖4 用戶最后登錄距期末天數(shù)（distance_day）情況Figure 4 The number of days between the user's last login and the end of the term（distance_day）

如圖2所示，橫軸表示用戶登錄的天數(shù)，縱軸表示總用戶數(shù)量和購買用戶數(shù)量。可以看出，隨著用戶登錄天數(shù)的增加，總用戶數(shù)量和購買用戶數(shù)量變化趨勢基本相同，都呈現(xiàn)出先上升后下降的趨勢，但是購買用戶數(shù)量的下降趨勢與上升趨勢相比較為平緩，總用戶數(shù)量的上升趨勢與下降趨勢相對較為平緩。當?shù)卿浱鞌?shù)為5時，總用戶數(shù)量和購買用戶數(shù)量同時達到峰值，此時總用戶數(shù)量為13307，約占總體的15.33%，其中購買用戶數(shù)量為268。

如圖3所示，橫軸表示用戶登錄間隔，縱軸表示總用戶數(shù)量和購買用戶數(shù)量?？梢钥闯觯瑹o論是購買用戶還是未購買用戶，其登錄時間間隔都較為集中，主要分布在0.5～1和1～1.5兩個時間間隔內(nèi)。在該間隔內(nèi)的購買用戶總數(shù)達946人，占總體比例的73.9%；用戶數(shù)達63608人，占總用戶數(shù)量的73.3%。這說明選擇購買的用戶一般登錄的時間間隔都比較短，會及時地進行登錄并產(chǎn)生消費行為。時間間隔為0.5～1的總用戶數(shù)量少于時間間隔為1～1.5的用戶數(shù)量，但是時間間隔為0.5～1的購買用戶數(shù)量卻多于時間間隔為1～1.5的購買用戶。同時，當?shù)卿涢g隔超過1.5時，隨著登錄間隔的增加，總用戶數(shù)量和購買用戶數(shù)量逐漸趨近于0。

如圖4所示，橫軸表示用戶最后登錄距期末的天數(shù)，縱軸表示總用戶數(shù)量和購買用戶數(shù)量?？梢钥闯觯傆脩魯?shù)量和購買用戶數(shù)量都隨著最后登錄距期末天數(shù)的增加呈現(xiàn)先增加后減小的走勢，但是在最后登錄距期末天數(shù)為360～380范圍內(nèi)的總用戶數(shù)量和下單購買的用戶數(shù)量陡然上升，且總用戶數(shù)量達到最高。這說明存在大量的用戶在近一年的時間內(nèi)都未曾消費該企業(yè)的產(chǎn)品，其中包含104個下單購買過的用戶，表明該企業(yè)存在用戶大量流失的情況。其次，購買過的用戶和其他用戶一般最后登錄距期末天數(shù)集中于0～60這個范圍內(nèi)；其中處于20～40范圍內(nèi)的人數(shù)最多，占購買用戶數(shù)的比例為31.33%，占總用戶數(shù)的比例為16.15%，說明一般用戶的登錄周期可能在20～40之間。

如圖5所示，橫軸表示用戶登錄時長，縱軸表示總用戶數(shù)量和購買用戶數(shù)量?？梢钥闯?，隨著登錄時間越長，總用戶數(shù)量和購買用戶數(shù)量越來越少，并逐漸趨近于0。在登錄時長為0～10的范圍內(nèi)，登錄的總用戶數(shù)量最多，此時購買的用戶也高達302人，占總購買用戶的23.57%，說明用戶在登錄前已經(jīng)具有明確的消費目標。隨著登錄時長的增加，購買的人數(shù)逐漸減少，原因是用戶不存在明確的消費目標，只是隨機瀏覽并進行一些非理性的消費。

圖5 用戶登錄時長（login_time）情況Figure 5 User login duration（login_time）

3 數(shù)據(jù)的特征選擇

通過對數(shù)據(jù)的清洗，共收集有效數(shù)據(jù)86776條，包含49個字段。特征個數(shù)過多，會增加模型的訓練時間成本、模型的復雜度，易發(fā)生過擬合問題，因此需要進行特征選擇。特征選擇的目的在于根據(jù)統(tǒng)計學方法或機器學習模型的特征需要找到最優(yōu)的特征子集。為構(gòu)建更準確的用戶消費行為預測模型，本文將分兩個步驟對數(shù)據(jù)集進行特征選擇，即剔除無關(guān)變量與Lasso特征選擇。

首先對數(shù)據(jù)集中的無關(guān)變量字段進行剔除，包括user_id、app_num、model_num、platform_num、age_month、first_order_time和first_order_price等，從而降低數(shù)據(jù)量，提高運算速度。處理后數(shù)據(jù)集的具體變量描述如表2所示。

表2 用戶消費行為數(shù)據(jù)變量及其描述Table 2 Data variables of user consumption behavior and their description

其次，進行Lasso特征選擇。用戶消費行為指標應具有較強的解釋意義，并且要符合一定邏輯。然而該數(shù)據(jù)集中的指標變量包含著大量的冗余信息，這將直接影響用戶消費行為預測模型的性能，甚至會出現(xiàn)較大的偏差。因此，還需對上述指標變量進行二次選擇，選擇出更具重要性的指標。此外，考慮到變量間多重共線性對模型的影響，尤其是對Logistic模型的解釋性會產(chǎn)生極大影響，所以選用Lasso方法進行變量選擇，以有效克服上述問題[8]。

經(jīng)過上述兩個步驟，最終選擇出20個有效變量x1，x2，x3，x10，x12，x13，x15，x16，x18，x19，x20，x24，x26，x27，x28，x29，x36，x39，x40，x41。最后重新組成新的樣本數(shù)據(jù)，有效數(shù)據(jù)樣本總計84104條，其中下單購買的用戶樣本有1209個，未購買的用戶樣本有82895個。

4 基于隨機森林和Logistic回歸的用戶消費行為預測

用戶消費行為預測是一個典型的機器學習分類任務。因此，選取了處理效率較高的隨機森林（Random Forest，RF）和Logistic回歸對用戶消費行為數(shù)據(jù)進行學習。

4.1 隨機森林

隨機森林[9]是一種集成多棵決策樹的集成學習算法，可用于解決分類及回歸問題。隨機森林的“隨機”體現(xiàn)在兩個方面：

（1）隨機抽取樣本。針對分類問題，RF的訓練集通過有放回的自助法隨機產(chǎn)生，每一輪訓練所使用的訓練集均以同樣方式生成，以保證所有樣本都有機會參與訓練。

（2）隨機屬性選擇。首先從該節(jié)點的全部屬性集合中隨機抽取若干個屬性組成子集；其次從屬性子集中找到最優(yōu)分裂屬性進而劃分。每一棵決策樹在其生成中都會隨機生成不一樣的分裂屬性子集，隨機屬性選擇增強了樹之間的獨立性，也增加了算法的隨機性。

經(jīng)過模型內(nèi)部處理，在每個訓練集上構(gòu)建一種決策樹，N棵樹就會有N種分類結(jié)果，根據(jù)投票原則，將投票最多的類別指定為模型的最終輸出。而正因為隨機森林的“隨機”，使模型不易過擬合。此外，該模型在處理高維度數(shù)據(jù)中具有明顯的優(yōu)勢，在預測準確度上也有較好的效果。

4.2 Logistic回歸

Logistic回歸[10，11]是將多元線性回歸的思想拓展成一種用于解決分類問題的模型。該模型對數(shù)據(jù)分布沒有嚴格的條件，并且具有結(jié)構(gòu)簡單、參數(shù)易解釋、節(jié)約算力、穩(wěn)健性較好等優(yōu)點。假設y表示用戶是否下單購買，即“0”表示未下單購買，“1”表示下單購買。若模型的預測結(jié)果是y=1的概率，其表達式可以表示為：

其中，x∈Rn是輸入，y∈{0，1}是輸出，ω∈Rn和b∈R是參數(shù)，ω稱為權(quán)值向量，b為偏置，ω·x為ω和x的內(nèi)積。模型的輸出結(jié)果可通過與閾值0.5比較，若大于0.5，則表示下單購買，否則表示未下單購買。

4.3 基于隨機森林和Logistic回歸的組合模型

經(jīng)過數(shù)據(jù)清洗和特征選擇后，新的用戶消費行為數(shù)據(jù)共計84104條，其中下單購買的用戶樣本有1209個，未購買的用戶樣本有82895個，存在著嚴重的類別不平衡問題。因此，本文采用欠采樣技術(shù)[12]進行數(shù)據(jù)層面上的處理，以平衡正負類樣本數(shù)量。首先，從未購買用戶樣本中隨機抽取1209個樣本，與已購買用戶的1209個樣本組成第一平衡訓練集。其次，從未購買用戶樣本與已購買用戶樣本中分別隨機抽取800個樣本，組成第二平衡數(shù)據(jù)集，并按8∶2對其劃分數(shù)據(jù)集。

為進一步提高用戶消費行為預測模型精度，將RF與Logistic模型進行串行組合，其構(gòu)建原理如圖6所示。RF與Logistic的組合模型具體構(gòu)建思路[13]：首先，用第一平衡訓練集對RF進行訓練。其次，將訓練好的RF對第二平衡數(shù)據(jù)集進行預測，將得到的輸出結(jié)果作為一個新的輸入變量添加到Logistic模型中，而Logistic模型中其他的輸入變量保持不變，得到組合模型。

圖6 改進模擬退火算法的迭代過程圖Figure 6 Iterative process diagram of the improved simulated annealing algorithm

圖6 RF-Logistic組合模型的構(gòu)建原理Figure 6 Construction principle of RF-Logistic combination model

最后，本文將第二平衡數(shù)據(jù)集的訓練集部分用樸素貝葉斯（Na?ve Bayes，NB）、支持向量機（Support Vector Machine，SVM）等其他單一模型進行訓練，并在測試集上作對比，以保證各自模型最終所得出的預測準確率在比較分析中更具有說服力。

5 對比實驗

5.1 模型性能評估指標

根據(jù)用戶消費行為預測用戶是否購買產(chǎn)品，是一個典型的二分類任務。本文使用二分類問題中常用的評估指標，包括準確率A（Accuracy）、精確率P以及F1分數(shù)來評估模型性能[14]。

其中，F(xiàn)N表示正類樣本（即標簽“1”）預測為負類（即標簽“0”）的樣本數(shù)，TP表示正類樣本預測為正類的樣本數(shù)，F(xiàn)P表示負類樣本預測為正類的樣本數(shù)，TN表示負類樣本預測為負類的樣本數(shù)。

此 外，本 文 采 用ROC（Receiver Operating Characteristic）曲線和AUC（Area Under the Curve of ROC）值來驗證模型的判別能力和預測精度。ROC曲線[15]一般應用于二分類模型的評估，其繪制方法基于兩個重要的指標，即靈敏度（True Positive Rate，TPR）和特異度（False Positive Rate，F(xiàn)PR）。靈敏度表示預測為正類的樣本數(shù)占所有正類樣本數(shù)的比例；特異度是指當前被誤分到下單購買用戶中真實的沒有下單購買的用戶占所有用戶數(shù)的比例。其具體計算公式如下：

根據(jù)以上原理，對樣本按預測結(jié)果排序，再對每個樣本分別以TPR和FPR為坐標點繪制ROC曲線。若坐標點離左上角越近，則表示分類器的預測準確率越高；若坐標點離右下角越近，則表示其預測準確率越低。此外，若畫出的曲線足夠平滑，基本可以判斷沒有太過擬合。ROC曲線線下面積即AUC值，也是分類任務中的常用評估指標。若AUC值越大，表明模型的分類準確率就越高。

5.2 結(jié)果分析

本文將構(gòu)建的組合模型和常用的單一模型在同一測試集上進行預測，其分類效果如表3所示。

表3 常用分類模型和組合模型的測試評估指標結(jié)果Table 3 Test evaluation index results of common classification models and combination models

由表3可知，NB與SVM模型的預測準確率A值分別為66.88%和67.81%，其分類效果在其余評價指標上也表現(xiàn)得非常不理想；Logistic和RF模型的預測準確率分別為71.56%和74.06%，均顯著優(yōu)于NB和SVM模型；RF-Logistic組合模型的預測準確率高達92.50%，與Logistic和RF模型相比，在預測準確率上分別提高了20.94%和18.44%。綜合來看，RF-Logistic組合模型的F1分數(shù)高達92.59%，與NB、SVM、Logistic和RF單一模型相比，組合模型的分類效果得到了大幅度提高。

此外，本文繪制了ROC曲線來進一步直觀地反映組合模型與其他單一模型在下單購買行為預測（即標簽“1”）上的分類效果，如圖7所示。

從圖7可知，NB模型、SVM模型、Logistic模型、RF模型以及RF-Logistic組合模型的ROC中AUC值 分 別 為0.7198，0.7214，0.7481，0.7857和0.9485。其中RF-Logistic組合模型的AUC值最高，說明組合模型對判別用戶是否購買的分類效果較好。根據(jù)以上評估結(jié)果及分析，驗證了RFLogistic組合模型可作為最終的用戶消費行為預測模型。

圖7 組合模型與常用分類模型的ROC曲線Figure 7 ROC curves of the combined model and the commonly used classification model

6 結(jié)論

本文通過對用戶消費行為數(shù)據(jù)進行清洗、可視化分析和特征選擇，建立了基于隨機森林和Logistic回歸的用戶消費行為預測模型，較大地提高了用戶消費行為數(shù)據(jù)的預測準確率。這為幫助企業(yè)分析用戶的消費行為規(guī)律、判別高質(zhì)量用戶，進而制定合理的營銷策略提供了有益的借鑒。結(jié)合模型的分析結(jié)果，本文提出了如下的營銷建議。

6.1 地區(qū)差異性營銷

在對用戶城市分布情況進行可視化分析后，發(fā)現(xiàn)總用戶數(shù)量和購買用戶數(shù)量存在同增同減關(guān)系，且在空間分布上呈現(xiàn)“東高西低、南高北低”的不均勻空間分布格局。根據(jù)這一現(xiàn)象，相關(guān)企業(yè)可以按區(qū)域進行營銷，若營銷推廣所在區(qū)域位于東南地區(qū)，可以采取促銷滿減、開通會員打折等形式吸引用戶注冊購買，增加用戶數(shù)量和購買用戶數(shù)量。若營銷推廣所在區(qū)域位于西北地區(qū)，應該先注重增加用戶數(shù)量，因為位于這些地區(qū)的用戶往往比較看重價格，因而可采取降價、打折等形式進行促銷。

6.2 登錄簽到有獎

在對用戶登錄情況進行可視化分析后發(fā)現(xiàn)，用戶登錄的時間間隔越短，下單購買的用戶越多。根據(jù)這一情況，企業(yè)可以采取一定的措施來減少用戶登錄的時間間隔，即增加用戶登錄的次數(shù)，來促進用戶下單購買，比如對登錄時間間隔較長的用戶設置簽到有獎的活動，簽到的次數(shù)越多，獲得的獎勵就越多越豐厚。此外，還可以設置用戶在有限時間內(nèi)登錄平臺達到一定次數(shù)時發(fā)放優(yōu)惠券，來調(diào)動用戶登錄的積極性。

6.3 優(yōu)惠券精準投放

根據(jù)用戶消費行為數(shù)據(jù)分析，其中領(lǐng)券訪問數(shù)僅占7%，而發(fā)生領(lǐng)券購買行為的用戶數(shù)僅占4%，說明優(yōu)惠券并未達到預期的營銷效果。這說明企業(yè)在投放優(yōu)惠券的時機選擇和人群選擇上具有較大的盲目性，定位不夠準確，并且部分用戶在瀏覽平臺產(chǎn)品時收到不感興趣的優(yōu)惠券推送消息時，會產(chǎn)生反感情緒而導致用戶不斷流失。因此，建議企業(yè)在發(fā)放優(yōu)惠券時，按照場景進行設定：獲取新用戶、提高活躍度、提高轉(zhuǎn)化率和自傳播。針對從未下單購買的用戶，可以通過注冊激活發(fā)券、下單有禮等方式獲取新用戶；通過發(fā)放優(yōu)惠券的方式將已注冊激活的用戶喚醒召回；通過滿減劵或者折扣券來實現(xiàn)用戶從低價值向高價值的轉(zhuǎn)化。通過場景設定，將優(yōu)惠券發(fā)放給最有可能使用的人，以達到精準投放的目的。同樣，也可考慮設定優(yōu)惠券的具體面值、有效期和使用范圍。

6.4 社交分享激勵

根據(jù)數(shù)據(jù)分析，點擊分享訪問的用戶占比61.43%，說明用戶樂于與好友互動，將產(chǎn)品分享給好友。相關(guān)企業(yè)可以通過增加分享、關(guān)注、進群、做任務、添加好友等社交互動方式，鼓勵用戶和親朋好友一起參與，促進用戶的增長，提升用戶的觸達范圍和轉(zhuǎn)化效果：通過登陸和訪問頁面的推送，激勵用戶點擊分享內(nèi)容，提高用戶活躍度，同時促進產(chǎn)品的宣傳和推廣。