随着国内房地产市场以及基建工程在二十年内的迅猛崛起,建筑装饰材料企业数量如雨后春笋般涌现,市场竞争态势严峻。特别是九十年代初第一批进入国内建筑装饰材料市场的外资企业,正逐步受到本土品牌对市场份额的侵蚀,逐渐丢失了当初的品牌优势。如何在当前并驱争先的市场下立足,对于商机的把握必不可少。建筑装饰材料企业不同于消费品企业以B2C模式为主,它需要依赖于B2B的模式对接各类以工程项目为主的商机个案。对于项目制的商机个案,通常利用CRM中的销售漏斗模型对商机过程进行管理。如能客观地利用系统化有效历史数据在商机立项初期对赢单率进行前瞻性的准确预测,不仅可以使销售人员提前就预测结果做出营销方案调整,更能利用预测结果对供应链计划流程做出优化改进,以期达到增加盈收和利润的最终目的。本文基于外资建筑装饰材料企业F公司的CRM系统历史数据结合当下备受推崇的机器学习算法模型随机森林、XGBoost、LightGBM、支持向量机对F公司商机赢单率做预测研究,旨在获取较适用于F公司商机赢单率的预测模型。本文主要的实验工作如下:（1）数据预处理。首先对影响商机赢单率的因素进行分析,然后对原始数据中的异常值、缺失值进行清洗。（2）特征工程设计。在原始相关特征基础上,根据业务经验完成特征衍生,利用LightGBM模型完成特征重要性排序,再将排名前20名的特征变量转换至同一量纲,使其可运用到后期模型训练。（3）模型训练与测试。结合过采样手段处理不平衡训练样本,利用五折交叉验证网格搜索和手动调参法分别对随机森林、XGBoost、LightGBM以及支持向量机实现超参数优化。通过二分类模型的评估指标Accuracy、Recall、AUC值、ROC曲线,分别对在默认参数和超参数下的四种训练模型性能进行对比与分析。最后利用测试样本对四种模型的预测效果和稳定性进行了检验。从而可获得如下成果:（1）经过数据清洗以及过采样手段处理后的原始不平衡样本,在随机森林、XGBoost、LightGBM、支持向量机超参数模型中都获得了不错的预测效果。（2）在原始相关特征较少的基础上,根据自身经验获取而来的衍生特征在特征重要性排序中排名靠前,说明了特征工程的构建取得了一定的效果。（3）通过对模型多维度的对比后,随机森林和LightGBM模型分别作为bagging和boosting算法的代表,可被认为是最适用于建筑装饰材料企业F公司商机赢单率预测的两种模型。（4）参数优化对提升XGBoost、LightGBM和支持向量机模型的泛化能力起到了显著作用。（5）支持向量机模型对小样本数据量的波动与不平衡数据处理方式十分敏感。本次研究中,训练超过1万以上的数据需要通过性能极高的计算机来缩减时间,而过采样的方式要优于欠采样。（6）最重要的前5名特征可作为F公司为提高赢单率在S＆OP方面制定策略的依据。（7）CRM系统数据结合机器算法所形成的新型商机赢单率预测方法,可被用于优化F公司供应链计划体系流程,从而促使成品需求计划、物料采购计划、销售业务人员能够进行三方协同沟通。