【干货】Logistic回归Python实战，评估销售系统的盈利能力- 专知

【干货】Logistic回归Python实战，评估销售系统的盈利能力

【导读】一个企业的盈利与其销售市场部门密不可分，传统的销售手段是销售人员逐个联系现有或潜在的顾客，这种方式不仅耗时耗力，而且不可避免地会有疏漏，不能够精准地联系到购买潜力较大的顾客。在本文中，Sai Vishnu Kanisetty将机器学习中的Logistic Regression(逻辑回归)运用到销售系统中，用Python实现，目的是寻找系统中具有高转化率的客户，从而提高工作效率，提升企业利润。专知内容组编辑整理。

Logistic Regression in Python to evaluate profitability of Sales-Marketing System

企业的销售和营销部门负责“找到客户，销售和赢利”。销售人员通过多种沟通方式联系现有客户和潜在客户，由于时间和成本限制，不能联系到所有的客户。在这篇文章中，机器学习中的逻辑回归（Logistic Regression）被用来识别具有较高转化率的目标人群，针对确定群体的盈利能力进行评估。

要了解更多内容，请参考我的GitHub。

GitHub：

https://github.com/saivishnuk/Data-Science/tree/master/Logistic-Regression-to-evaluate-profitability-of-Sales-Marketing-System

▌文章大纲

1）总体了解销售系统，并说明本文中使用的示例；

2）了解逻辑回归技术，以及在这种情况下它如何发挥作用；

3）方法，代码和盈利能力的评估结果。

▌总体了解销售系统，并说明本文中使用的示例

大多数销售系统都是通过销售代理访问或手机联系客户。生成销售线索和将销售线索转化为客户以及接触客户都要消耗成本，是一项时间和成本密集型任务。

例如，一家公司推出了一款新产品，并希望与可能对该产品感兴趣的现有客户进行接触。公司现有客户的数量为41,188，公司估计接触客户的平均成本为10美元，如果客户购买产品，那么平均收入为50美元。从数字来看，成本与收入比是1：5，这样做会产生很大的利润。意识到以前的市场营销活动（〜11.5％）中同类产品的转化率，管理者明白，这种瞄准每一个客户的做法会造成很大的损失。因此，经理决定“首先确定目标受众，然后再做预算。他希望他团队的数据科学家回答3个问题：

实现最高投资回报的成本是多少？
实现最高利润的成本是多少？
利润-投资平衡点涉及的成本是多少？

▌了解逻辑回归技术，以及在这种情况下它如何发挥作用

二项逻辑回归（binomial logistic regression）预测了二分类中类别的概率，该变量基于一个或多个独立的变量，可以是连续的也可以是离散的。在销售系统中，因变量是先前营销活动的结果，自变量是先前的活动指标，如“过去已达到客户的次数”，“自上次购买以来的天数”，以及客户的统计特征。在本文中，我们假设数据已经按照7/3的比例划分为训练集和测试集，并且我们只关注衡量盈利率的方法。

▌方法，代码和盈利能力的评估结果

1.在训练集和测试集中，结果变量为“1”（购买产品标记为1）的客户的百分比为11.2％。

2.通过训练集中的所有客户来计算“每个客户的平均利润”。