在电子商务快速发展的今天，主动性营销才可以在商品同质化泛滥的市场中让商家脱颖而出，吸引用户并切实地提高营销的用户消费转化率。传统的主动营销方式包括广告宣传和媒体传播，但这些方式拼的是流量，并且只能靠运气获取用户转化率。因此要找到一个更加有效的方法去提高用户消费转化率，关键在于如何精准的获取目标用户，并向其推送最可能购买的商品信息，而如何去获取目标用户和目标商品，就涉及到挖掘和预测的问题，这也是本文的研究内容。
　　在移动互联网浪潮下，用户在网络环境中的行为占据的比重越来越大，用户在互联网上的点击、浏览、购买、评论等行为已成为服务提供商非常重要的参考数据。为了实现用户行为的精准预测，本文以电商的行为数据为切入点，对数据进行分析与建模，通过不同的机器学习方法，预测用户在未来一周的购买意向以及最可能购买的商品品类，帮助商家准确定位转化率最高的用户群体，制定更精确的营销策略，进一步提高推广的销售转化率，具体建模步骤包括：
　　第一步，数据采集与预处理。收集登陆网站的用户基本信息和行为数据，电商的商品数据，并把相关数据转化为本发明方法要求的格式，进行异常数据清洗。
　　第二步，数据特征提取。通过对基础数据进行编码提取出用户基础特征、商品的基本特征。通过不同的维度对基础用户行为数据进行统计，生成统计类特征、时间间隔类特征、计算类特征；通过特征间的关系进行特征关联、融合；对行为进行分类，利用时间衰退理论，对于点击、收藏等行为进行加权处理；采用卡方过滤计算每个非负特征和标签之间的卡方统计量，选出前K个分数最高的特征的类。
　　第三步，正负样本处理。结合用户实际的购买数据对用户特征数据进行标记，生成正负样本数据，自动分析正负样本的不均衡情况，根据预设的正负比例对样本数据按需进行适当欠采样处理，生成正负样本子集。
　　第四步，模型的训练与预测。通过随机森林算法、梯度提升迭代决策树算法、极端梯度提升算法对样本数据集进行训练，生成多个预测模型结果，进行对比。
　　第五步，通过对比了多个模型对于单个欠采样样本的预测结果，分析了模型的局限性，为了解决正负样本的均衡性，同时充分利用样本数量优势，创新通过欠采样的方式对样本进行多次正负子样本提取，并以此作为RF算法随机采样的方式，自定义RF模型训练。
　　最后，对比分析第四步不同算法单欠采样样本的预测结果、第五步多个子样本训练模型的预测结果，来评估模型的合理性和改进方向。