在海量用户信息获取愈发便捷的互联网时代,如何真正彰显数据的价值,将其应用于酒店业客户关系管理是一项至关重要的议题。得力于近些年来机器学习相关算法的迅猛发展,对于客户行为预测模型的构建也有了一些新的探索,例如使用随机森林、支持向量机或者一些相关的混合算法等。本文构建了基于RF-SVM（随机森林-支持向量机）的两阶段机器学习预测法,对酒店客户下单行为进行预测。首先利用随机森林预测法进行初始预测;然后根据预测所得的下单概率进行分组,计算各个分组的校准度;接着对校准度较差的分组采用支持向量机预测法进行预测。研究利用携程平台的酒店脱敏数据来进行预测模型的训练与测试,并使用三个维度的预测评价指标验证模型的有效性,结果表明RF-SVM两阶段预测法在精度、ROC曲线、区分度和校准度上,相较于其他常见的基础预测模型均具有很强的优势。而通过对区分度和校准度指标的分析又反向验证了使用支持向量机和随机森林两种算法构建混合模型的合理性。RF-SVM两阶段预测法计算得到的客户行为判定概率,帮助本文引入了覆盖率-捕获率曲线这个评定指标,可以指导第三方酒店平台仅对下单概率值排序最靠后的50.04%客户进行重点营销;而在需要重点营销的客户群体中,通过使用聚类分析的方法可以将其进一步细分为五种不同类别。两大层级与五个小类的酒店用户分层结构可以指导酒店营销领域的专业人员制定差异化的精准营销策略。研究结果对于酒店预订第三方平台的客户关系管理,成本效益,营销效率等方面具有积极意义。