随机森林在电商推销分析中的应用：从特征工程到业务落地

简介：基于随机森林算法探究电商网站推销商品影响因素的完整数据分析案例，主要面向数据挖掘初学者、电商运营人员及商业分析爱好者。资源压缩包内共两个文件：一个 xlsx 格式的电商数据集，存储商品推销相关的用户行为与订单特征；一个 py 格式的 Python 脚本，完整实现随机森林建模流程，涵盖数据清洗、特征工程、模型训练与评估，并输出各影响因子的重要性排序。整个压缩包仅 45KB，轻量易用，便于直接下载和运行。通过该案例，读者可以掌握随机森林在分类问题中的应用思路，理解如何从数据中识别显著影响推销效果的因素，如商品类别、价格、用户活跃度等，进而为电商选品和促销策略提供数据支撑。代码注释清晰、结构完整，适合在 Jupyter 等环境中调试，也可作为课程设计或毕业设计的参考模板。目前已有 104 人学习下载，内容兼具实操性与启发性。

1. 随机森林算法在电商推销分析里能回答的，不是“转化率”而是“为什么”

运营同事上周做了个满减活动，结果满99减50的券转化率还不如满99减10。这种事在电商推销里太常见了：促销资源砸下去，效果像开盲盒。大数据分析里，随机森林算法是拆这个盲盒最顺手的工具——它不像逻辑回归那样要求线性关系，也不像深度学习那样需要海量数据，几百棵决策树投票之后，还能明确告诉你哪些因素在影响用户的购买决策。这个案例不绕弯子，按完整流程走：怎么把推销日志变成建模数据，随机森林参数怎么调，特征重要性怎么解读成业务动作，以及我踩过的坑。适合刚接手电商数据分析、想用机器学习替代“拍脑袋”的从业者。

2. 把“推销效果”翻译成建模问题：样本粒度、标签定义与候选特征池

拿到一个随机森林分析任务，最怕的不是模型跑不出来，而是业务问题压根没翻译成机器学习问题。电商推销商品的影响因素，业务上问的是“这次促销到底什么起了作用”，落到数据上就是二分类问题：一个用户看到促销商品后，买还是不买。这个翻译过程决定后面所有步骤的走向，先想清楚再动手。

2.1 随机森林为什么适合这个场景：非线性、抗过拟合、可解释性

先交代选型理由。电商推销数据里，折扣率和转化率经常是倒U型关系：折扣太低没吸引力，折扣太高用户觉得商品有问题，逻辑回归用线性拟合这种关系会很难看。随机森林是bagging加随机特征选择，每棵树在随机样本和随机特征子集上训练，天然能处理非线性关系。对比XGBoost，随机森林调参维度少，对异常值和缺失值容忍度高，在小样本和中规模数据上不容易过拟合，作为“探究影响因素”的第一个模型，误差下限低很多。

随机森林还有一个别人没有的优势：自带特征重要性输出，能把“哪个因素在影响推销结果”直接量化出来。运营要的不是一个黑匣子预测分数，而是一份能写进复盘报告的排行。另外，如果标签不是“买/不买”而是“购买金额”这类连续值，换成随机森林回归算法（RandomForestRegressor）就行，清洗和调参路径完全一样，后面讲的坑照搬。

2.2 样本粒度：以“用户-活动-商品”为一条样本，避免数据泄漏

样本怎么定义，是这个案例里最容易翻车的地方。常见错误是直接拿订单表当样本，只统计买了的人，把没曝光、没购买的用户丢掉。这等于只看了“赢家”，模型学不到“为什么有人不买”。

正确的样本粒度是“用户-活动-商品”三元组。数据来自推送或页面曝光日志，一条曝光产生一条候选样本，用户是否在曝光后24小时内下单，作为标签。举个例子，一个用户在同一次活动中看到了3个商品，就产生3条样本，每条样本携带用户侧特征、商品侧特征、活动侧特征。曝光日志的分母必须保住，只取订单会系统性丢失未购买样本。

这里有一个容易混淆的点：同一个用户可能出现多次，比如同一活动中被推荐了不同商品。要不要保留？我建议保留，因为模型要学的是“在什么条件下用户对什么商品买账”，用户在不同商品下的行为差异本身就是信息。但如果同一用户在同一活动中对同一个商品曝光了10次，只保留最后一次，避免重复样本放大噪声。

2.3 标签定义与候选特征字段：从业务口径到能喂给模型的列

标签的口径要提前和运营对齐。我一般用“曝光后24小时内是否产生支付成功订单”作为标签，原因很实际：超过24小时，用户可能是被其他渠道转化，归因说不清楚；支付成功是硬口径，加购物车不算数。

特征字段按电商业务分成四组，见下表。做特征工程之前先把这些字段的可用性列出来，比直接开写代码有用。

用户ID、商品ID这类纯标识符字段先留着，后面单独处理，不能直接喂给模型，否则会变成灾难。还有一点要特别注意：活动侧特征不要用活动结束后才知道的字段，比如“活动最终参与人数”。建模时你只能使用预测时点已知的信息，这是数据泄漏的高发区。

3. 数据清洗与特征工程：决定随机森林上限的隐形工程

很多人以为随机森林不需要做太多预处理，这个认知很危险。随机森林对量纲不敏感，但不等于对数据质量不敏感。缺失值、高基数类别、时间泄漏，每一个都能让结果出现系统性偏差。特征工程才是这个案例里最费时间的部分。

3.1 缺失值处理：分类型用“缺失”占位，数值型按分位组合并与业务对齐

电商数据里缺失太常见了：新用户没有历史客单价，小类目商品没有近30天销量。sklearn的随机森林实现不接受NaN，必须先处理。我一般用两条规则。

分类型特征：把缺失直接填成一个新类别“unknown”，不要用众数填。比如“会员等级”缺失，不代表用户真的是最低等级，把它归成“未知”让树自己决定是否分裂，这样最诚实。

数值型特征：用中位数填，不用均值。原因是推销数据里价格、客单价这类字段分布严重右偏，头部大额用户会把均值拉得很高，导致缺失值全部被填成偏大值。中位数更稳健。如果某个字段缺失率超过40%，我会直接考虑删掉——信息缺失太多，填出来的值本身就不太能用。

另外，我习惯在处理完缺失后做一次分布对比：填完前和填完后，字段的均值、分位数没有明显跳变才算合格。这个检查很快，但能挡住大部分低级错误。

3.2 类别特征编码：高基数不要独热，频次编码是更好的选择

商品类目、推送渠道、活动类型都是类别特征。新手最常用的独热编码，在随机森林场景下不是好选择。原因有两个：一是类目动辄几百上千个，独热后特征矩阵稀疏又庞大；二是随机森林的特征重要性计算对高基数特征有偏——如果一个特征有几百个类别，它更容易被选中分裂，重要性被虚高。这个偏差会让特征排序失真。

我一般的做法：低基数类别（小于10个）用标签编码或独热都无所谓；高基数类别用频次编码，也就是每个类别在训练集中的出现次数作为数值特征。比如“类目”有500个值，500维独热变成1维“该类目出现过多少样本”，既保留信息又避免维度爆炸。

时间特征也不能裸奔。时间戳本身是数值，但“凌晨3点”和“下午3点”在推销场景里的意义完全不同，直接当数值喂进去，树很难切出这种规律。我会把曝光时间拆成：星期几（0-6）、小时（0-23）、是否工作日（0/1）、月初/月中/月末（用日期的天数分箱）。这些拆分看似简单，但对模型提升很明显。

3.3 特征构造：从原始字段里把业务逻辑抠出来

拆完时间，还要构造业务特征。做推销影响因素分析，最核心的衍生特征是折扣率：折扣率 =（原价 - 现价）/ 原价。这个字段不能省，因为“满99减50”和“打5折”虽然力度相近，但用户感知完全不同，直接用活动类型字段不一定能反映真实力度。

第二个我必做的特征：商品价格与用户历史客单价的比值。用户平时花100块，你推个3000块的手机，大概率不买。这个比值把用户和商品放在同一个尺度上，比价格和历史客单价分开用有效得多。第三个是活动开始到曝光的时间间隔：活动刚上线时的流量和最后一天的流量，用户决策心态不一样，这个间隔能捕捉紧迫感。

交互特征上我保持克制。随机森林本身就能自动发现部分交互，不需要像线性模型那样手动构造大量交叉项。我只做一两个业务上确认有意义的，比如“类目+渠道”的组合，验证的是“某些渠道在特定类目上的用户粘性”。做多了，特征重要性会被一堆高相关特征稀释，反而更难解读。

4. 随机森林建模与参数调优：从默认参数到能用的模型

特征工程做完，进入建模。这一章直接贴可复制代码，参数说明跟着代码走。建模的目标不是刷到最高的AUC，而是拿到一份可信的特征重要性排序，所以训练流程里会有意识地固定随机种子、做时间切分。

4.1 基线模型：先跑通默认参数，建立评估基准

先把数据切好。这里强调用时间切分而不是随机切分：按曝光日期切，前80%时间段的样本做训练，后20%做验证。随机切分在时间序列数据上会顺带泄漏未来信息，导致验证集分数虚高。

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import roc_auc_score, classification_report # 读取已经清洗和特征工程完毕的数据 df = pd.read_csv('promotion_features.csv') # 时间切分: 按曝光时间排序后按比例切 df = df.sort_values('expo_time').reset_index(drop=True) split_idx = int(len(df) * 0.8) train_df = df.iloc[:split_idx] val_df = df.iloc[split_idx:] # 标签和各用特征集 label_col = 'is_purchase' feature_cols = [c for c in df.columns if c not in ['is_purchase', 'user_id', 'activity_id', 'product_id', 'expo_time']] X_train = train_df[feature_cols] y_train = train_df[label_col] X_val = val_df[feature_cols] y_val = val_df[label_col] # 基线随机森林，先不管调参 rf_base = RandomForestClassifier( n_estimators=100, random_state=42, n_jobs=-1 ) rf_base.fit(X_train, y_train) # 验证集评估 y_pred_proba = rf_base.predict_proba(X_val)[:, 1] print('Validation AUC:', roc_auc_score(y_val, y_pred_proba))

这段代码里有几个点要注意。时间切分利用了sort_values先排序再取前80%，确保训练集里没有未来的样本。feature_cols里排除ID字段和标签，但特别注意：这里的user_id虽然不参与建模，后面做样本级别分析时还要用，所以没有删掉列，只是不放进特征列表。基线模型固定了random_state=42，保证后续调参结果可对比。

AUC是推销场景的首要指标，因为正负样本不平衡时，准确率没有意义。运行完看一眼分类报告里召回率，如果正样本召回特别低，说明模型偏向预测“不买”，后面要处理不平衡。

4.2 调参顺序：从生长参数到采样参数，别一上来就网格搜索

随机森林的调参有玄学成分，但顺序是有章法的。我按这个顺序来：先调树的数量，再调树的深度约束，最后调叶子节点最少样本数。

# 先把树数量从100加到300看AUC增量 rf_more_trees = RandomForestClassifier( n_estimators=300, random_state=42, n_jobs=-1 ) rf_more_trees.fit(X_train, y_train) y_pred_proba = rf_more_trees.predict_proba(X_val)[:, 1] print('n_estimators=300 AUC:', roc_auc_score(y_val, y_pred_proba)) # 加深度约束和叶子节点限制，减少单棵树过拟合 rf_tuned = RandomForestClassifier( n_estimators=300, max_depth=15, min_samples_leaf=20, max_features='sqrt', random_state=42, n_jobs=-1 ) rf_tuned.fit(X_train, y_train) y_pred_proba = rf_tuned.predict_proba(X_val)[:, 1] print('tuned AUC:', roc_auc_score(y_val, y_pred_proba))

n_estimators从100加到300，AUC一般会小幅上升然后趋于平稳。上升幅度小于0.005就说明已经收敛，继续加树只增加训练时间。max_depth=15限制单棵树深度，防止个别树把训练集里的噪声也学进去。min_samples_leaf=20强制叶子节点至少20个样本，这对类别不平衡数据很重要，避免叶子节点里只有两三个正样本，预测结果很不稳定。

max_features='sqrt'让每次分裂只看特征总数的平方根个特征，增大每棵树之间的差异性。默认是'sqrt'，分类场景可以试试'log2'，通常差异不大。调完这套参数，AUC能到0.78以上就说明特征和样本设计基本成立，剩下的是在特征侧做文章，而不是继续堆参数。

4.3 特征重要性输出：基于不纯度的排序要交叉验证

模型跑通后，输出特征重要性。这里我同时给出两种方法：sklearn内置的feature_importances_（基于不纯度下降）和permutation_importance（基于预测效果下降），因为内置版本对高基数类别有偏向，排列重要性更可信。

import numpy as np from sklearn.inspection import permutation_importance # 方法1: 基于不纯度的特征重要性, 速度快但可能有偏 imp_df = pd.DataFrame({ 'feature': feature_cols, 'importance': rf_tuned.feature_importances_ }).sort_values('importance', ascending=False) print(imp_df.head(20)) # 方法2: 排列重要性, 打乱某特征后看AUC掉多少 perm_imp = permutation_importance( rf_tuned, X_val, y_val, n_repeats=10, random_state=42, scoring='roc_auc', n_jobs=-1 ) perm_df = pd.DataFrame({ 'feature': feature_cols, 'importance_mean': perm_imp.importances_mean, 'importance_std': perm_imp.importances_std }).sort_values('importance_mean', ascending=False) print(perm_df.head(20))

permutation_importance的原理是打乱某一个特征的值，破坏它与标签的关联，然后看模型在验证集上的AUC下降多少。下降越多，说明模型越依赖这个特征。和内置重要性相比，排列重要性对特征量纲和类别数不敏感，更稳定。缺点是要对每个特征做多轮预测，n_repeats=10时耗时随特征数线性增长，但样本量在万级时完全可接受。

输出两版结果后对比：如果某个特征在内置重要性里排前三、排列重要性里跌出前十，基本可以断定它是个高基数类别特征（比如类目编码后），重要性虚高。这种情况下运营汇报时要谨慎，真正可靠的结论以排列重要性为准。

5. 避坑：随机森林在电商推销数据上的五个翻车点

这章写的每一条都是真实踩过的坑。现象、原因、解决一条条说清楚，后面再遇到能省半天排查时间。这些坑不只在随机森林里存在，但随机森林的“黑匣子”属性会让人下意识忽略它们，等发现时往往已经浪费了几天。

5.1 现象：OOB得分和验证集AUC很高，但线上A/B测试完全没效果

原因：标签泄漏。我在2.3节强调过“活动最终参与人数”这类活动结束后才知道的字段，实际中还有更隐蔽的版本——用订单时间晚于曝光时间的字段做特征。比如把“商品近30天销量”算到活动结束那天，模型等于偷看了未来的答案。

解决：做特征的时候强制要求所有特征字段的计算截止时间是曝光时刻。技术手段不复杂，难的是人和流程：建一个特征字段清单，每个字段标注计算时间口径，评审时逐个过。线上验证没效果时，第一个查的就是这个清单。

5.2 现象：特征重要性前几名全是类目ID、用户ID这类特征

原因：高基数ID被当成数值或独热特征喂进了模型。树会倾向于在高基数特征上做分裂，因为切分后每个子节点的样本数很少，不纯度容易降得低——这是纯统计假象，不反应业务重要性。

解决：ID类特征不进特征列表，改为频次编码或目标编码。比如用户ID换成“该用户历史曝光次数”，类目ID换成“该类目在样本里出现次数”。编码后的特征保留了部分信息，但不会因为基数爆炸而虚高。内置重要性和排列重要性排序有明显冲突时，同样用这个思路排查。

5.3 现象：训练时间随n_estimators线性暴涨，跑一次要几十分钟

原因：n_jobs没设置，随机森林在多核机器上单线程运行。默认情况下sklearn用单核训练每一棵树，300棵树串行当然慢。

解决：训练和排列重要性都加上n_jobs=-1，让所有CPU核并行。八核机器直接提速到接近8倍。另外调参时先用小数据子集跑通流程，再全量训练，不要每次都拿全量数据试参数。

5.4 现象：正样本占比不到1%，模型预测全是不买，AUC却还有0.7

原因：类别不平衡。推销数据里购买率经常只有几个百分点，模型发现全预测负类也能有99%准确率，但它不会主动学习正样本模式。AUC看起来中规中矩，实际上召回率极低。

解决：在随机森林里设置class_weight='balanced'，让少数类样本在损失计算中获得更高权重。这一步通常能让正样本召回率提升10个点以上，代价是误报率也会升高，但影响因素分析宁可多圈出一些潜在用户，也比漏掉强。

5.5 现象：同一份数据跑两次模型，特征重要性排序完全不一样

原因：随机森林本身带随机性，数据切分有随机性，max_features的选择也有随机性。如果只在固定random_state=42下跑一次，结论很可能是噪声。

解决：调参时固定random_state做对比，最终模型用5个不同种子跑5次，取特征重要性的平均值和方差方。重要性标准差大于0.01的特征说明模型对这个特征依赖不稳定，汇报时要标注出来。这是血泪经验，我第一次做分析时没做多次重复，提交报告后被算法同学问了一句“再跑一次还是这样吗”，直接哑火了。

6. 从特征重要性到业务动作：用SHAP和部分依赖图让分析落地

模型建完、特征排完序，只完成了一半。运营问的最多的两个问题是：“你说折扣率重要，那折扣多少合适？”“你说渠道重要，哪个渠道值得加预算？”这两个问题靠特征重要性回答不了，要上边际效应分析。

import shap from sklearn.inspection import partial_dependence # 用SHAP解释特征对个体预测的贡献方向 explainer = shap.TreeExplainer(rf_tuned) shap_values = explainer.shap_values(X_val[:500]) # 画出折扣率的SHAP依赖图, 看折扣率与贡献值的关系 shap.dependence_plot('discount_rate', shap_values[1], X_val[:500]) # 部分依赖图: 只看折扣率在不同取值时预测购买概率的平均响应 pdp = partial_dependence( rf_tuned, X_val[['discount_rate']], ['discount_rate'], kind='average' )

SHAP依赖图能直观看出特征方向和阈值：折扣率低于某个值之前对购买概率是正贡献，超过之后转为负贡献。部分依赖图给出的是更平滑的曲线，运营可以直接搬进PPT。注意shap_values[1]取的是正类（购买）的SHAP值，因为训练的是二分类器，输出的SHAP值是两类的。

落地时我习惯给运营一份三列的表：特征、影响方向、建议动作。比如“折扣率系数倒U型，10%-20%区间边际收益最高，建议满减力度控制在这个范围”“推送渠道中App推送的重要性是老客召回的两倍，建议资源倾斜”。这份表比任何模型指标都更能说服业务方。最后一个教训：分析报告里永远附上模型验证AUC和样本量，没有这两个数，再漂亮的重要性排序也会被认为是玄学。希望这些流程和踩坑能帮你在自己的推销数据分析里少走一段弯路。

本文还有配套的精品资源，点击获取