O2O的一种重要营销方式就是以优惠券盘活老用户或吸引新客户进店消费。然而对多数用户造成无意义的干扰大部分是因为随机大量投放不对口的优惠券所造成的。对商家而言,滥发的优惠券的行为可能会造成品牌声誉降低,造成难以估算的营销成本损失,因此提出了一种优惠券个性化投放方式用来提高用户的优惠券核销率。个性化投放可以根据消费者的消费偏好投放优惠券,让消费者得到真正的实惠,同时商家也获得更好的销售口碑和更强的营销能力。本文利用天池大数据众智平台赛题《生活大实惠:O2O优惠券使用预测》中的真实消费者行为数据,从特征工程构建不够完善和构造预测模型泛化能力较弱两方面进行优化。在特征工程构建方面上,首先对原始数据集中的字段进行数据预处理。其次利用特征工程对线下消费和优惠券领取行为的数据集,构造提取出用户(User)、商家(Merchant)、优惠券(Coupon)、用户-商家(User-Merchant)、其他特征(Other)五大特征群,共96个特征值的线下特征集,同样利用特征工程对用户线上点击/消费和优惠券领取行为的数据集构造提取出13个用户(User)特征值的线上特征集。然后,通过线下特征集的96个特征值及线上和线下特征集组合的109个特征值,构建出两组不同的预测模型进行实证。在构建预测模型方面,实验发现仅使用传统的逻辑回归(Logistic Regression)构建出预测模型预测精度不高,稳定性不强。故提出改进传统逻辑回归预测模型,使用GBDT(Gradient Boosting Decision Tree)+逻辑回归的组合模型及XGBoost(e Xtreme Gradient Boosting)+逻辑回归的组合模型达到提高预测精度、提升模型预测能力的目的。通过多组实验表明,仅通过线下集构建的模型预测效果要差于线上和线下组合特征集构造的模型预测效果,说明构建更为完善的特征工程对构建预测模型起到一定的效果。同时,在使用更加完整的特征工程体系下,GBDT+逻辑回归的组合模型和XGBoost+逻辑回归的组合模型预测精度相比传统的逻辑回归模型的预测精度分别提高了12%和13%。