1. 项目背景与核心问题拆解最近在复盘一些经典的数学建模竞赛题目发现“电动汽车目标客户销售策略研究”这个主题无论是对于参赛学生还是对于汽车行业、数据分析领域的从业者都有很强的现实意义和实操价值。这道题源自2021年的“华为杯”中国研究生数学建模竞赛C题它不是一个纯理论推导题而是一个典型的、需要将数据、模型与商业逻辑紧密结合的决策优化问题。简单来说题目给了一堆真实的、脱敏后的客户数据要求我们回答在有限的营销预算和资源下如何精准地找到最有可能购买电动汽车的客户并制定一套高效的销售策略从而实现销售转化率和利润的最大化。这听起来像是市场部或者数据分析团队的日常工作对吧没错这道题的精髓就在于它模拟了一个真实的商业场景。我们手里有客户画像比如年龄、收入、家庭情况、用车历史有产品信息不同车型的配置、价格、成本还有市场约束比如销售人员的精力有限、广告投放有预算。我们的任务不是做一个花哨的算法炫技而是要用数学建模的语言把这些零散的信息编织成一个可计算、可优化、可执行的决策支持系统。最终输出的应该是一份能让销售总监点头的“作战地图”先攻哪群人主推哪款车用什么方式接触他们预计花多少钱能赚回多少利润。很多人一看到“数学建模”就觉得头大觉得是数学系学生的游戏。其实不然这道题的核心思维——“基于数据的精细化运营”——正是当前各行各业都在追求的能力。不管你是做电商推荐、金融风控还是内容投放底层逻辑都是相通的从海量对象中识别出高价值目标并分配有限资源以实现最优结果。接下来我就结合自己多次带队参赛和实际项目中的经验把这个问题的解决过程掰开揉碎从数据理解、模型构建、策略设计到结果分析一步步讲清楚。你会发现它需要的不仅是数学工具更是对业务逻辑的深刻理解。2. 数据理解与特征工程读懂客户的“潜台词”题目通常会提供几份数据表例如客户基本信息表、客户历史交易表、电动汽车产品信息表等。我们的第一步不是急着跑模型而是像侦探一样仔细审视这些数据理解每一个字段背后的商业含义并创造出对预测购买意向有用的新特征。2.1 原始数据字段解析与业务假设假设我们拿到以下典型数据具体字段名称可能略有不同但类别相通客户特征数据客户ID唯一标识。年龄、性别基础人口统计信息。年收入直接影响购买力和对价格的敏感度。家庭规模、是否有未成年子女关系到对车辆空间、安全性的需求。居住城市类型一线、二线、三线及以下影响充电设施便利性、政策激励如牌照和消费观念。现有车辆品牌/类型、现有车辆价格区间反映客户的品牌偏好、消费档次和换车周期。日均行驶里程决定使用成本电费 vs 油费的核心因素之一。是否拥有固定车位这是影响家庭充电桩安装的关键条件对纯电动汽车用户至关重要。产品数据车型ID、车型名称。官方指导价、企业成本价用于计算单車毛利润指导价 - 成本价。续航里程、电池容量、百公里电耗核心性能参数。车辆级别如A级轿车、B级SUV匹配客户家庭和用途需求。智能驾驶辅助等级、娱乐系统配置可能吸引科技爱好者或年轻群体。交互/行为数据如果有是否访问过电动车专题页面、是否参与过试驾活动、是否咨询过线上客服这些是强烈的购买意向信号。注意实际题目数据可能是脱敏和简化的我们需要根据有限的字段结合常识做出合理的业务假设。例如可以假设“现有车辆价格区间”高的客户对新车价格的接受度也可能更高“日均行驶里程”高的客户使用电动汽车节省的燃油费用更显著经济性吸引力更强。2.2 构建预测性特征从原始数据到模型“燃料”原始字段需要加工才能喂给模型。特征工程的目标是创造一些能显著区分“潜在买家”和“非买家”的指标。经济性驱动特征燃油车年均油费估算日均行驶里程* 365 * 百公里油耗假设值如8L/100km * 当前油价。电动车年均电费估算日均行驶里程* 365 *百公里电耗需从产品数据匹配 * 电价。年均能源节省额燃油车年均油费估算-电动车年均电费估算。这个值越大客户从经济性角度转换的动力越强。购车成本敏感度可以简单用年收入与车型指导价的比值来构造比值越小可能对价格越敏感。产品匹配度特征续航需求满足度对于每个客户-车型对计算 (车型续航里程/客户日均里程) / 一个安全系数如3考虑空调、高速打折。比值大于1表示基本满足。家庭空间匹配度根据家庭规模和是否有子女定义需要的车辆级别如小型、紧凑型、中型SUV然后与车型级别进行匹配评分。消费升级可能性比较现有车辆价格区间的中位数和车型指导价判断是消费升级、平替还是降级。客户价值与营销特征客户生命周期价值(CLV)粗估除了本次购车利润还可以考虑其成为车主后可能带来的服务、保险、置换等潜在价值。可以简单用年收入作为一个代理指标。营销响应历史如果数据中有可以汇总历史营销活动的打开率、点击率、参与率。实操心得特征工程不是越多越好要避免“维度灾难”。初期可以尽可能多地构造然后通过相关性分析、基于模型的特征重要性排序如使用树模型进行筛选。对于这类问题“经济性驱动特征”往往是最强有力的预测因子之一因为它直接触动了消费者的钱包。3. 核心模型构建谁最可能买——客户响应预测模型识别目标客户是整个策略的基石。我们需要一个模型来预测每个客户对购买电动汽车或某款特定电动汽车的响应概率。这是一个经典的二分类问题。3.1 模型选型与理由逻辑回归Logistic Regression、决策树/随机森林Random Forest、梯度提升树如XGBoost, LightGBM都是候选。在这个场景下我优先推荐LightGBM。为什么是LightGBM效率高处理表格数据速度快内存占用低对于可能数万甚至数十万的客户数据很友好。精度好梯度提升框架本身精度通常就很高能有效捕捉特征间的复杂非线性关系比如年收入与家庭规模对决策的交互影响。可解释性辅助虽然不如逻辑回归直观但LGBM可以提供特征重要性排序让我们知道哪些因素如年均能源节省额、是否有固定车位对购买决策影响最大这本身具有巨大的业务洞察价值。对缺失值不敏感相比一些模型树模型对缺失值有更好的鲁棒性。逻辑回归可以作为基线模型它的优势在于系数可解释可以直接看到“当其他因素不变时年收入每增加1万元购买对数几率增加多少”。但在特征关系复杂时其性能可能不如树模型。3.2 模型训练与评估关键点正负样本定义这是最大的挑战因为训练数据里通常没有“是否购买了电动汽车”的标签。我们需要巧妙构造或利用题目假设。方案A如果题目有隐含或历史数据假设提供了部分客户的历史行为如最终购买/未购买以此为标签。方案B常见竞赛处理方法根据业务规则人为定义“高意向客户”。例如可以假设那些年均能源节省额超过某一阈值、拥有固定车位且访问过电动车页面的客户为“正样本”购买意向1其余为负样本。虽然粗糙但能建立一个初步的、符合业务直觉的判别模型。方案C无监督学习辅助先用聚类如K-Means对客户分群结合业务理解指定某些簇为“潜在目标群”将这些簇的客户标记为正样本。评估指标不用准确率Accuracy因为正负样本可能极不平衡。使用AUC-ROC曲线下面积或Precision-Recall曲线下的面积AUPRC更合适。更重要的是要结合业务看在不同概率阈值下的查准率Precision和查全率Recall。销售资源有限时我们可能宁愿追求高查准率找来的客户转化率高即使查全率低一些漏掉一些潜在客户。输出模型最终为每个客户i对每款车j或电动汽车整体输出一个购买概率P_ij。这个概率将是后续优化模型的核心输入。踩坑实录在第一次尝试时我直接用了逻辑回归并且没有仔细处理特征间的交互项结果模型AUC只有0.65左右。后来换用LightGBM并加入了“能源节省额”与“是否有车位”的交互特征例如定义一个特征“高节省且有车位”AUC提升到了0.78以上。这告诉我们消费者的决策往往是多个条件共同满足的结果建模时必须考虑关键特征的组合效应。4. 从预测到决策资源约束下的最优化策略模型知道客户可能买只是第一步。关键问题是我们有100万的营销预算有50个销售员每个销售员最多跟进100个客户每个客户接触成本不同发邮件便宜上门拜访贵不同车型利润不同。我们该联系哪些客户推荐哪款车用什么方式联系才能让总利润最大这就需要引入优化模型。4.1 问题建模定义一个混合整数规划MIP问题我们可以将这个问题构建为一个经典的资源分配优化问题。定义决策变量x_ij∈ {0, 1}二元决策变量。1表示我们决定向客户i推荐车型j0表示不推荐。可选y_ik∈ {0, 1}表示是否使用营销渠道k如电话、短信、邮件、线下活动联系客户i。这里可能涉及多渠道组合。目标函数最大化总期望利润。Maximize: Σ_i Σ_j [ (车型j的单车利润) * P_ij * x_ij ] - Σ_i Σ_k (渠道k的成本 * y_ik )其中P_ij是上一节预测模型得到的客户i购买车型j的概率。这里用概率乘以利润得到的是“期望利润”这是处理不确定性问题的标准方法。约束条件预算约束所有营销渠道的总成本不能超过总预算B。Σ_i Σ_k (渠道k的成本 * y_ik) ≤ B销售人力约束每个销售员负责的客户数有上限。假设有S个销售员每人最多跟进C个客户。Σ_i (是否分配给销售员s的客户i) ≤ C, for each salesperson s这需要先将客户分配给销售员或定义更复杂的变量客户接触逻辑约束只有决定联系某个客户Σ_k y_ik ≥ 1才能向其推荐车型Σ_j x_ij ≥ 1。并且一个客户最多被推荐一款车简化假设。Σ_j x_ij ≤ Σ_k y_ik 如果联系才能推荐 Σ_j x_ij ≤ 1 最多推荐一款渠道选择约束每个客户可能只能用一种或多种特定渠道联系。非负与二元约束x_ij,y_ik为 0 或 1。4.2 模型求解与简化策略上述完整的MIP模型可能非常庞大客户数×车型数×渠道数直接求解计算量巨大。在实际竞赛和业务中常采用一些简化策略两阶段法第一阶段粗筛。利用预测概率P_ij和单车利润计算每个客户-车型对的“期望毛利润”即P_ij * 单车利润。过滤掉期望利润过低如低于某个阈值的选项极大减少决策变量。第二阶段精分配。对筛选后的客户-车型组合集合再施加预算和人力约束进行优化。此时问题规模已大大缩小。贪婪算法近似当问题规模实在太大最优解求解器如Gurobi, CPLEX运行时间过长时可以采用启发式算法。步骤计算每个客户-车型组合的“单位接触成本期望利润率”期望利润 / 接触成本。然后从高到低排序像“装背包”一样按顺序选择客户直到预算或人力耗尽。这种方法虽然不是全局最优但速度快且通常能得到一个不错的可行解。分车型或分客户群优化将问题按车型大类如高端、中端或客户城市级别分解为几个子问题分别优化后再汇总可以降低复杂度。实操心得在写论文时即使你因为计算复杂度使用了简化方法也必须在模型中清晰地描述出理想化的完整MIP模型。这体现了你对问题本质的理解深度。然后再说明“鉴于实际计算规模我们采用了两阶段法首先...然后...”。这样既有理论高度又有实践可行性。5. 销售策略的输出与业务解读模型求解后我们得到了一组x_ij和y_ik的最优解。这堆0和1本身没有意义必须翻译成业务语言形成可执行的销售策略报告。5.1 策略输出的多维视图目标客户画像根据被选中的客户x_ij1的那些i统计他们的特征分布。输出如下结论“本轮核心目标客户是年龄在30-45岁、家庭年收入25-50万、拥有固定车位、日均通勤里程大于50公里的城市家庭用户。”“他们最看重的因素是使用经济性年均节省燃油费约8000元和家庭出行便利性。”主推车型与匹配建议“车型A长续航中型SUV是本轮主推车型其目标客户与上述画像重合度超过70%。”“针对年轻单身或丁克家庭的高收入群体可搭配推荐车型B高性能轿跑。”营销渠道与资源分配方案“预算分配建议60%用于线上精准信息流广告针对高概率客户30%用于线下商圈体验店活动10%用于老客户推荐激励。”“销售人力部署华东区分配20名销售重点攻坚上海、杭州、苏州华南区分配15名...”“接触策略对‘高概率高价值’客户前10%采用‘电话预约上门试驾’组合对‘中概率’客户采用‘企业微信添加深度内容推送’策略。”预期收益与风险评估“根据模型执行此策略预计可接触客户5000人产生实际购买约350单基于预测概率计算总期望净利润为XXX万元投资回报率ROI为XX%。”“主要风险在于预测概率的校准可能存在偏差建议先在小范围如一个城市进行A/B测试验证转化率后再全面推广。”5.2 策略的动态性与迭代任何模型都是基于历史数据和当前假设的静态快照。真正的策略必须是动态的。反馈闭环在实际执行中会收集到真实的客户反馈购买、拒绝、犹豫。这些数据应立即反馈到客户响应预测模型中用于更新和重新训练模型让下一次的预测更准。这就是“数据驱动营销”的闭环。参数敏感性分析在论文中要展示策略如何随关键参数变化。例如“如果营销总预算增加20%我们的总期望利润能增加多少边际效益是否递减”“如果电池成本下降导致单车利润提高10%目标客户群和主推车型会发生变化吗”“如果竞争对手推出竞品导致我们的预测购买概率普遍下降15%策略需要如何调整”做这些分析不仅能体现模型的稳健性更能展示你思考的全面性从“解决问题”提升到“洞察问题”。6. 参赛要点与论文写作技巧如果你是在准备数模竞赛那么除了把模型建好把策略想清楚如何清晰地表达出来同样至关重要。摘要就是一切评委第一眼且最仔细看的就是摘要。摘要必须用精炼的语言按逻辑顺序讲清楚面对什么问题资源有限下的精准营销。用了什么方法先基于XX特征和LightGBM预测购买概率再构建以期望利润最大化为目标的混合整数规划模型并采用两阶段法求解。得到了什么结果目标客户画像是XX主推车型是XX营销渠道分配建议是XX预计实现利润XX。突出了什么亮点如引入了“经济性-便利性”交互特征进行了多场景敏感性分析。模型假设要合理且明确所有模型都基于假设。例如“假设每个销售员能力相同”、“假设客户购买决策相互独立”。把这些假设清晰列出来并说明其合理性。如果某些假设较强如“一个客户只推荐一款车”可以讨论其局限性以及放松假设后的复杂情况。图文并茂可视化呈现用表格对比不同模型的预测性能AUC, Precision, Recall。用柱状图或雷达图展示目标客户画像。用桑基图展示客户从整体池子经过模型筛选到最终被分配推荐车型和渠道的流量。用地图展示销售人力的地域分配。用折线图展示预算、概率等参数变化对总利润的敏感性分析。灵敏度分析与模型检验这是拿高分的关键。不要只给出一个最优解。改变关键参数如预算增减、销售人数增减、预测概率的系统性偏差看策略是否稳定。与基准策略对比比如对比“我们的优化策略” vs “随机联系客户策略” vs “只联系历史高消费客户策略”的期望利润。用数据证明你的模型优越性。模型稳定性检验用交叉验证评估预测模型的稳定性对优化模型可以尝试不同的初始解看是否收敛到同一结果附近。讨论与展望指出模型的不足和未来改进方向。例如“本文假设客户购买概率是固定的但实际上营销活动的力度如折扣大小会影响这个概率。未来可以建立‘概率-营销投入’函数关系进行更精细的联合优化。” 这体现了思维的深度和开放性。解决“电动汽车目标客户销售策略研究”这类问题是一次将数据分析、机器学习、运筹优化和商业洞察完美结合的实践。它训练的不是单一的技能而是一套从定义问题、处理数据、构建模型、求解优化到输出决策的完整系统思维。无论最终是用于竞赛争锋还是用于理解真实的商业智能流程这套方法论的锤炼都价值非凡。在实际操作中我最大的体会是永远不要脱离业务空谈模型。那个最关键的“购买概率”P_ij其准确性直接决定了后续所有优化的大厦是否建立在沙滩上。花再多时间去理解数据、构造特征、验证模型都不为过。而优化模型则是将预测能力转化为商业价值的“临门一脚”它要求我们清晰地定义资源限制和商业目标。把这两步走扎实了一份有说服力的销售策略自然水到渠成。 
长河君 · 2026/8/23 8:44:56 · 阅读 1.2k 基于LightGBM与混合整数规划的电动汽车精准营销策略建模
1. 项目背景与核心问题拆解最近在复盘一些经典的数学建模竞赛题目发现“电动汽车目标客户销售策略研究”这个主题无论是对于参赛学生还是对于汽车行业、数据分析领域的从业者都有很强的现实意义和实操价值。这道题源自2021年的“华为杯”中国研究生数学建模竞赛C题它不是一个纯理论推导题而是一个典型的、需要将数据、模型与商业逻辑紧密结合的决策优化问题。简单来说题目给了一堆真实的、脱敏后的客户数据要求我们回答在有限的营销预算和资源下如何精准地找到最有可能购买电动汽车的客户并制定一套高效的销售策略从而实现销售转化率和利润的最大化。这听起来像是市场部或者数据分析团队的日常工作对吧没错这道题的精髓就在于它模拟了一个真实的商业场景。我们手里有客户画像比如年龄、收入、家庭情况、用车历史有产品信息不同车型的配置、价格、成本还有市场约束比如销售人员的精力有限、广告投放有预算。我们的任务不是做一个花哨的算法炫技而是要用数学建模的语言把这些零散的信息编织成一个可计算、可优化、可执行的决策支持系统。最终输出的应该是一份能让销售总监点头的“作战地图”先攻哪群人主推哪款车用什么方式接触他们预计花多少钱能赚回多少利润。很多人一看到“数学建模”就觉得头大觉得是数学系学生的游戏。其实不然这道题的核心思维——“基于数据的精细化运营”——正是当前各行各业都在追求的能力。不管你是做电商推荐、金融风控还是内容投放底层逻辑都是相通的从海量对象中识别出高价值目标并分配有限资源以实现最优结果。接下来我就结合自己多次带队参赛和实际项目中的经验把这个问题的解决过程掰开揉碎从数据理解、模型构建、策略设计到结果分析一步步讲清楚。你会发现它需要的不仅是数学工具更是对业务逻辑的深刻理解。2. 数据理解与特征工程读懂客户的“潜台词”题目通常会提供几份数据表例如客户基本信息表、客户历史交易表、电动汽车产品信息表等。我们的第一步不是急着跑模型而是像侦探一样仔细审视这些数据理解每一个字段背后的商业含义并创造出对预测购买意向有用的新特征。2.1 原始数据字段解析与业务假设假设我们拿到以下典型数据具体字段名称可能略有不同但类别相通客户特征数据客户ID唯一标识。年龄、性别基础人口统计信息。年收入直接影响购买力和对价格的敏感度。家庭规模、是否有未成年子女关系到对车辆空间、安全性的需求。居住城市类型一线、二线、三线及以下影响充电设施便利性、政策激励如牌照和消费观念。现有车辆品牌/类型、现有车辆价格区间反映客户的品牌偏好、消费档次和换车周期。日均行驶里程决定使用成本电费 vs 油费的核心因素之一。是否拥有固定车位这是影响家庭充电桩安装的关键条件对纯电动汽车用户至关重要。产品数据车型ID、车型名称。官方指导价、企业成本价用于计算单車毛利润指导价 - 成本价。续航里程、电池容量、百公里电耗核心性能参数。车辆级别如A级轿车、B级SUV匹配客户家庭和用途需求。智能驾驶辅助等级、娱乐系统配置可能吸引科技爱好者或年轻群体。交互/行为数据如果有是否访问过电动车专题页面、是否参与过试驾活动、是否咨询过线上客服这些是强烈的购买意向信号。注意实际题目数据可能是脱敏和简化的我们需要根据有限的字段结合常识做出合理的业务假设。例如可以假设“现有车辆价格区间”高的客户对新车价格的接受度也可能更高“日均行驶里程”高的客户使用电动汽车节省的燃油费用更显著经济性吸引力更强。2.2 构建预测性特征从原始数据到模型“燃料”原始字段需要加工才能喂给模型。特征工程的目标是创造一些能显著区分“潜在买家”和“非买家”的指标。经济性驱动特征燃油车年均油费估算日均行驶里程* 365 * 百公里油耗假设值如8L/100km * 当前油价。电动车年均电费估算日均行驶里程* 365 *百公里电耗需从产品数据匹配 * 电价。年均能源节省额燃油车年均油费估算-电动车年均电费估算。这个值越大客户从经济性角度转换的动力越强。购车成本敏感度可以简单用年收入与车型指导价的比值来构造比值越小可能对价格越敏感。产品匹配度特征续航需求满足度对于每个客户-车型对计算 (车型续航里程/客户日均里程) / 一个安全系数如3考虑空调、高速打折。比值大于1表示基本满足。家庭空间匹配度根据家庭规模和是否有子女定义需要的车辆级别如小型、紧凑型、中型SUV然后与车型级别进行匹配评分。消费升级可能性比较现有车辆价格区间的中位数和车型指导价判断是消费升级、平替还是降级。客户价值与营销特征客户生命周期价值(CLV)粗估除了本次购车利润还可以考虑其成为车主后可能带来的服务、保险、置换等潜在价值。可以简单用年收入作为一个代理指标。营销响应历史如果数据中有可以汇总历史营销活动的打开率、点击率、参与率。实操心得特征工程不是越多越好要避免“维度灾难”。初期可以尽可能多地构造然后通过相关性分析、基于模型的特征重要性排序如使用树模型进行筛选。对于这类问题“经济性驱动特征”往往是最强有力的预测因子之一因为它直接触动了消费者的钱包。3. 核心模型构建谁最可能买——客户响应预测模型识别目标客户是整个策略的基石。我们需要一个模型来预测每个客户对购买电动汽车或某款特定电动汽车的响应概率。这是一个经典的二分类问题。3.1 模型选型与理由逻辑回归Logistic Regression、决策树/随机森林Random Forest、梯度提升树如XGBoost, LightGBM都是候选。在这个场景下我优先推荐LightGBM。为什么是LightGBM效率高处理表格数据速度快内存占用低对于可能数万甚至数十万的客户数据很友好。精度好梯度提升框架本身精度通常就很高能有效捕捉特征间的复杂非线性关系比如年收入与家庭规模对决策的交互影响。可解释性辅助虽然不如逻辑回归直观但LGBM可以提供特征重要性排序让我们知道哪些因素如年均能源节省额、是否有固定车位对购买决策影响最大这本身具有巨大的业务洞察价值。对缺失值不敏感相比一些模型树模型对缺失值有更好的鲁棒性。逻辑回归可以作为基线模型它的优势在于系数可解释可以直接看到“当其他因素不变时年收入每增加1万元购买对数几率增加多少”。但在特征关系复杂时其性能可能不如树模型。3.2 模型训练与评估关键点正负样本定义这是最大的挑战因为训练数据里通常没有“是否购买了电动汽车”的标签。我们需要巧妙构造或利用题目假设。方案A如果题目有隐含或历史数据假设提供了部分客户的历史行为如最终购买/未购买以此为标签。方案B常见竞赛处理方法根据业务规则人为定义“高意向客户”。例如可以假设那些年均能源节省额超过某一阈值、拥有固定车位且访问过电动车页面的客户为“正样本”购买意向1其余为负样本。虽然粗糙但能建立一个初步的、符合业务直觉的判别模型。方案C无监督学习辅助先用聚类如K-Means对客户分群结合业务理解指定某些簇为“潜在目标群”将这些簇的客户标记为正样本。评估指标不用准确率Accuracy因为正负样本可能极不平衡。使用AUC-ROC曲线下面积或Precision-Recall曲线下的面积AUPRC更合适。更重要的是要结合业务看在不同概率阈值下的查准率Precision和查全率Recall。销售资源有限时我们可能宁愿追求高查准率找来的客户转化率高即使查全率低一些漏掉一些潜在客户。输出模型最终为每个客户i对每款车j或电动汽车整体输出一个购买概率P_ij。这个概率将是后续优化模型的核心输入。踩坑实录在第一次尝试时我直接用了逻辑回归并且没有仔细处理特征间的交互项结果模型AUC只有0.65左右。后来换用LightGBM并加入了“能源节省额”与“是否有车位”的交互特征例如定义一个特征“高节省且有车位”AUC提升到了0.78以上。这告诉我们消费者的决策往往是多个条件共同满足的结果建模时必须考虑关键特征的组合效应。4. 从预测到决策资源约束下的最优化策略模型知道客户可能买只是第一步。关键问题是我们有100万的营销预算有50个销售员每个销售员最多跟进100个客户每个客户接触成本不同发邮件便宜上门拜访贵不同车型利润不同。我们该联系哪些客户推荐哪款车用什么方式联系才能让总利润最大这就需要引入优化模型。4.1 问题建模定义一个混合整数规划MIP问题我们可以将这个问题构建为一个经典的资源分配优化问题。定义决策变量x_ij∈ {0, 1}二元决策变量。1表示我们决定向客户i推荐车型j0表示不推荐。可选y_ik∈ {0, 1}表示是否使用营销渠道k如电话、短信、邮件、线下活动联系客户i。这里可能涉及多渠道组合。目标函数最大化总期望利润。Maximize: Σ_i Σ_j [ (车型j的单车利润) * P_ij * x_ij ] - Σ_i Σ_k (渠道k的成本 * y_ik )其中P_ij是上一节预测模型得到的客户i购买车型j的概率。这里用概率乘以利润得到的是“期望利润”这是处理不确定性问题的标准方法。约束条件预算约束所有营销渠道的总成本不能超过总预算B。Σ_i Σ_k (渠道k的成本 * y_ik) ≤ B销售人力约束每个销售员负责的客户数有上限。假设有S个销售员每人最多跟进C个客户。Σ_i (是否分配给销售员s的客户i) ≤ C, for each salesperson s这需要先将客户分配给销售员或定义更复杂的变量客户接触逻辑约束只有决定联系某个客户Σ_k y_ik ≥ 1才能向其推荐车型Σ_j x_ij ≥ 1。并且一个客户最多被推荐一款车简化假设。Σ_j x_ij ≤ Σ_k y_ik 如果联系才能推荐 Σ_j x_ij ≤ 1 最多推荐一款渠道选择约束每个客户可能只能用一种或多种特定渠道联系。非负与二元约束x_ij,y_ik为 0 或 1。4.2 模型求解与简化策略上述完整的MIP模型可能非常庞大客户数×车型数×渠道数直接求解计算量巨大。在实际竞赛和业务中常采用一些简化策略两阶段法第一阶段粗筛。利用预测概率P_ij和单车利润计算每个客户-车型对的“期望毛利润”即P_ij * 单车利润。过滤掉期望利润过低如低于某个阈值的选项极大减少决策变量。第二阶段精分配。对筛选后的客户-车型组合集合再施加预算和人力约束进行优化。此时问题规模已大大缩小。贪婪算法近似当问题规模实在太大最优解求解器如Gurobi, CPLEX运行时间过长时可以采用启发式算法。步骤计算每个客户-车型组合的“单位接触成本期望利润率”期望利润 / 接触成本。然后从高到低排序像“装背包”一样按顺序选择客户直到预算或人力耗尽。这种方法虽然不是全局最优但速度快且通常能得到一个不错的可行解。分车型或分客户群优化将问题按车型大类如高端、中端或客户城市级别分解为几个子问题分别优化后再汇总可以降低复杂度。实操心得在写论文时即使你因为计算复杂度使用了简化方法也必须在模型中清晰地描述出理想化的完整MIP模型。这体现了你对问题本质的理解深度。然后再说明“鉴于实际计算规模我们采用了两阶段法首先...然后...”。这样既有理论高度又有实践可行性。5. 销售策略的输出与业务解读模型求解后我们得到了一组x_ij和y_ik的最优解。这堆0和1本身没有意义必须翻译成业务语言形成可执行的销售策略报告。5.1 策略输出的多维视图目标客户画像根据被选中的客户x_ij1的那些i统计他们的特征分布。输出如下结论“本轮核心目标客户是年龄在30-45岁、家庭年收入25-50万、拥有固定车位、日均通勤里程大于50公里的城市家庭用户。”“他们最看重的因素是使用经济性年均节省燃油费约8000元和家庭出行便利性。”主推车型与匹配建议“车型A长续航中型SUV是本轮主推车型其目标客户与上述画像重合度超过70%。”“针对年轻单身或丁克家庭的高收入群体可搭配推荐车型B高性能轿跑。”营销渠道与资源分配方案“预算分配建议60%用于线上精准信息流广告针对高概率客户30%用于线下商圈体验店活动10%用于老客户推荐激励。”“销售人力部署华东区分配20名销售重点攻坚上海、杭州、苏州华南区分配15名...”“接触策略对‘高概率高价值’客户前10%采用‘电话预约上门试驾’组合对‘中概率’客户采用‘企业微信添加深度内容推送’策略。”预期收益与风险评估“根据模型执行此策略预计可接触客户5000人产生实际购买约350单基于预测概率计算总期望净利润为XXX万元投资回报率ROI为XX%。”“主要风险在于预测概率的校准可能存在偏差建议先在小范围如一个城市进行A/B测试验证转化率后再全面推广。”5.2 策略的动态性与迭代任何模型都是基于历史数据和当前假设的静态快照。真正的策略必须是动态的。反馈闭环在实际执行中会收集到真实的客户反馈购买、拒绝、犹豫。这些数据应立即反馈到客户响应预测模型中用于更新和重新训练模型让下一次的预测更准。这就是“数据驱动营销”的闭环。参数敏感性分析在论文中要展示策略如何随关键参数变化。例如“如果营销总预算增加20%我们的总期望利润能增加多少边际效益是否递减”“如果电池成本下降导致单车利润提高10%目标客户群和主推车型会发生变化吗”“如果竞争对手推出竞品导致我们的预测购买概率普遍下降15%策略需要如何调整”做这些分析不仅能体现模型的稳健性更能展示你思考的全面性从“解决问题”提升到“洞察问题”。6. 参赛要点与论文写作技巧如果你是在准备数模竞赛那么除了把模型建好把策略想清楚如何清晰地表达出来同样至关重要。摘要就是一切评委第一眼且最仔细看的就是摘要。摘要必须用精炼的语言按逻辑顺序讲清楚面对什么问题资源有限下的精准营销。用了什么方法先基于XX特征和LightGBM预测购买概率再构建以期望利润最大化为目标的混合整数规划模型并采用两阶段法求解。得到了什么结果目标客户画像是XX主推车型是XX营销渠道分配建议是XX预计实现利润XX。突出了什么亮点如引入了“经济性-便利性”交互特征进行了多场景敏感性分析。模型假设要合理且明确所有模型都基于假设。例如“假设每个销售员能力相同”、“假设客户购买决策相互独立”。把这些假设清晰列出来并说明其合理性。如果某些假设较强如“一个客户只推荐一款车”可以讨论其局限性以及放松假设后的复杂情况。图文并茂可视化呈现用表格对比不同模型的预测性能AUC, Precision, Recall。用柱状图或雷达图展示目标客户画像。用桑基图展示客户从整体池子经过模型筛选到最终被分配推荐车型和渠道的流量。用地图展示销售人力的地域分配。用折线图展示预算、概率等参数变化对总利润的敏感性分析。灵敏度分析与模型检验这是拿高分的关键。不要只给出一个最优解。改变关键参数如预算增减、销售人数增减、预测概率的系统性偏差看策略是否稳定。与基准策略对比比如对比“我们的优化策略” vs “随机联系客户策略” vs “只联系历史高消费客户策略”的期望利润。用数据证明你的模型优越性。模型稳定性检验用交叉验证评估预测模型的稳定性对优化模型可以尝试不同的初始解看是否收敛到同一结果附近。讨论与展望指出模型的不足和未来改进方向。例如“本文假设客户购买概率是固定的但实际上营销活动的力度如折扣大小会影响这个概率。未来可以建立‘概率-营销投入’函数关系进行更精细的联合优化。” 这体现了思维的深度和开放性。解决“电动汽车目标客户销售策略研究”这类问题是一次将数据分析、机器学习、运筹优化和商业洞察完美结合的实践。它训练的不是单一的技能而是一套从定义问题、处理数据、构建模型、求解优化到输出决策的完整系统思维。无论最终是用于竞赛争锋还是用于理解真实的商业智能流程这套方法论的锤炼都价值非凡。在实际操作中我最大的体会是永远不要脱离业务空谈模型。那个最关键的“购买概率”P_ij其准确性直接决定了后续所有优化的大厦是否建立在沙滩上。花再多时间去理解数据、构造特征、验证模型都不为过。而优化模型则是将预测能力转化为商业价值的“临门一脚”它要求我们清晰地定义资源限制和商业目标。把这两步走扎实了一份有说服力的销售策略自然水到渠成。