随着国内网上零售高速发展,消费者的行为习惯也发生了天翻地覆的变化,各类营销模型争奇斗艳,其中将互联网与线下商务渠道有机结合的O2O商业模式发展最为迅猛。目前针对O2O商业模式的技术支持和落地实战的研究较为丰富,而对O2O优惠券如何提高核销率的核销因素研究相对稀缺。分析O2O优惠券核销因素,不仅能够帮助商家制定更高效的促销策略,也能帮助消费者屏蔽各类促销优惠活动的干扰,准确的判断优惠券的实际优惠价值,获得真正的优惠。本文利用某电商平台提供的真实用户领取O2O优惠券与消费的记录数据,基于滑窗法划分数据集,在原有领取记录特征的基础上,多角度全面构建特征工程挖掘数据信息,提取88个新特征。在此基础上训练XGBoost模型,得到训练AUC值为0.9008,验证AUC值为0.8887,并在平台上提交,获得线上平均AUC值为0.8003。为了更直观高效的构建贝叶斯网络,将上述信息按照不同模块进行降维,得到关于O2O优惠券核销的八大综合特征:用户消费活跃程度、用户优惠券优惠力度偏好、用户消费便利性要求、商家经营体量、商家自身用户渗透情况、商家优惠力度习惯、优惠券易用性和用户在特定商家的历史优惠度。基于构建的贝叶斯网络与XGBoost模型进行分析,得到结论如下:1.最直接影响O2O优惠券核销的三个因素为商家经营体量、商家优惠力度习惯与用户优惠券优惠力度偏好,O2O商家利用优惠券进行促销制定营销策略时应以这三个方面为重点;2.用户的活跃程度与优惠券的核销具有相关性,在贝叶斯网络结构图中,核销优惠券为原因,用户活跃为结果,这表明并不是活跃的用户更容易进行优惠券的核销,而是优惠券的集中投放导致用户更加活跃,故而在投放优惠券时应减少活跃用户的投放权重。本文多角度进行特征工程,将机器学习模型作为验证信息充分性的工作,并首次将贝叶斯网络应用于O2O优惠券核销影响因素的研究,为O2O商家高效制定促销方案,提高优惠券营销收益,提供了一定的理论基础。