营销推广是电商重要的运营组成。电商平台要发起一场综合性的推广活动，需要明确参与活动的商品范围、促销价格、推广渠道以及如何触达到消费者等。很多营销推广活动规则复杂且不断变化，就需要使用模型来设计，例如邀人砍一刀的“免费提现”、多重阶梯的满减跨店促销等。

模型不仅帮助电商平台从多个角度去设计营销活动，发现活动过程的问题，吸引用户聚焦，提升转化率，更大幅提升营销推广效果和力度。

电商模型的建设与优化

建设模型是为了解决业务流程的问题的过程，因此一定要基于业务，要清楚了解相关的数据与业务问题的关系，这样模型才能解决好业务问题的需求和问题。模型建设是一个复杂的过程，大体来看需要五个阶段。

第一步，选择模型。基于业务需求，电商平台研究决定选择具体的模型，以便更好地切合具体的应用需求。

第二步，建设模型。通过模型平台进行模型构建，可以通过可视化平台建模，也可以用者HiveSQL脚本、Python脚本编程建模。

第三步，训练模型。通过训练模型找到最合适的参数或变量要素，并基于真实的业务数据来确定最合适的模型参数。

第四步，部署模型。通过离线、在线等多种方式，部署建设好的模型。

第五步，模型的优化与管理。随着业务开展、数据积累，会发现模型欠拟合或效果不佳，需要定期进行优化，包含具体优化的措施可考虑重新选择模型、调整模型参数、增加变量因子等。

用顶象Xintell快速构建和管理模型

顶象Xintell智能模型平台能够帮助电商平台快速构建专属营销模型，并提供快捷的模型管理和更新升级。

数据加工。模型建设的核心是数据，Xintell能够通过HiveSQL界面、Python界面、可视化数据处理模块化组件对数据进行加工。其中数据处理模块化组件界面采用拖拉拽的形式，这样来看数据的加工逻辑流程一目了然，并且由于数据处理的代码进行功能模块化，因此也降低了数据加工的门槛，提高加工的效率。

实际操作中，数据可能存储在各种不同的地方。Xintell提供统一管理建模所需要的各种数据库，包含但不限于MySQL、SQL Server、Oracle、DB2、PostgreSQL、ElasticSearch、FTP、Mongodb、Cassandra、Arangadb、RabbitMQ、Kafka，并支持多种类型数据源的同步。

模型建设。针对不同使用人员，Xintell提供不同的方式进行建模方式：初级人员可以使用拖拉拽形式建模，平台将机器学习相关代码高度功能模块化，流程一目了然；高级人员可以用Python进行定制化，并且Notebook支持Spark的资源。

模型部署。Xintell提供两种模型部署方式。一种是在线部署，能够实时调用模型进行预测，适合图像分类、文本分类等一些特征不需要复杂加工的模型。更支持Python模型部署，兼容Tensorflow2.0、Pytorch、Keras等多种深度学习框架的模型。开发人员也可以通过Http服务，与其它平台实现无缝衔接，通过统一的界面管理进行在线部署。

另一种是离线的部署。很多模型所需的特征涉及一张或多张表，加工需要的时间较长，模型所需批量数据需要进行定时加工，然后才能够进行预测。Xintell提供设置调度任务的方式实现离线的部署，开发法者可以按照小时、天、周、月等间隔定时调用模型跑批脚本。此外，离线模型的保存可以保存在服务器本地硬盘中，便于模型的迁移。

模型监控。模型部署后，开发者需要对模型预测结果进行监控，Xintell支持对模型调用的情况、模型的稳定性、模型的区分度进行监控。

模型升级与管理。模型往往需要进行迭代更新，然后模型进行版本管理，对于在线部署的模型，Xintell可以通过管理界面上传新版本模型，然后进行版本的更新，当然若发现新版本模型不好，也可以进行版本的切换。

顶象Xintell智能模型平台基于关联网络和深度学习技术，结合Hadoop生态和自研组件，将复杂的数据处理、挖掘、机器学习过程标准化，提供从数据处理、特征衍生、模型构建到最终模型上线的一站式建模服务，结合拖拉拽式操作大幅降低建模门槛，提升建模工程师、数据科学家的工作效率，让运营人员和业务人员也能直接上手操作实践，帮助企业通过对大数据的模型训练在反欺诈、风控、营销、客户分群等场景提供模型支持，并能够根据时间变化进行动态升级与优化，极大降低建模和模型管理门槛。