互联网的普及推动了电子商务的蓬勃发展,而在线营销是电子商务中重要部分。当前,许多市场营销数据的常用模型仍然是Logistic回归。与Logistic模型相比,生存分析类的模型能处理删失数据,更好地利用时间信息,有着Logistic回归所不具备的优势。阈值回归作为生存分析中的一种模型近年来得到了越来越多的关注。与生存分析中最通用的模型Cox比例风险模型相比,阈值回归模型无须对自变量进行比例风险假设,而它对潜在随机过程的假设贴近现实,模型结果拥有更强的可解释性,在市场营销数据建模中有巨大的潜力。本文对阈值回归和运行时间刻度阈值回归模型进行介绍。基于后者的基础上,本文将协变量链接到状态时间转化系数,使得个体可以拥有不同的状态时间转化系数,对个体差异拥有更强的解释能力。在模拟研究中,我们分别生成了200个和1000个模拟生存数据样本。结果表明考虑个体差异的运行时间刻度回归对真实参数的估计是无偏的。在实证研究的章节中,本文对淘宝移动客户端数据集进行数据清洗,提取了一份包含2144个观测值,14个特征的生存数据。利用BIC作为评价标准的后向剔除逐步回归法分别对包含生存时间的Logistic回归、不包含生存时间的Logistic回归以及经典的阈值回归在上述数据的训练样本中训练,筛选最优的变量组合。三类模型在预测集的结果表明,与Logistic回归相比,阈值回归有更高的召回率和F1度量,因此阈值回归模型在该数据中有着更为重要的现实意义。而考虑个体差异的运行时间阈值回归模型的建模结果则验证了许多符合直觉的商业认知,如具有浏览行为和购物车行为的消费者有更强的购买倾向;但是模型也提供了一些新视角,如具有过高浏览次数的消费者反而会降低购买的概率,并且收藏商品的行为对购买行为的转化没有太大帮助。在本文的最后提出了模型未来的发展方向:随机效应模型,通过引入随机效应模型,运行时间刻度模型可以增强对潜在变量导致的个体差异的拟合能力。