随着移动互联网技术的广泛普及与电商行业的飞速发展,线上购物已经成为了人们生活中不可或缺的一环。目前,电商行业的用户数量已接近饱和且增速放缓。各个平台与商家如何增加用户粘性,提升用户的复购率成为了其能否持续获利的关键。因此,用户复购预测成为精准营销中的重要研究问题之一。利用大数据可以对用户的各种信息进行多维度的关联分析,从大量数据中发现之前从未发现的知识,如通过发现用户购物篮中的不同商品之间的联系,分析出用户的其他消费习惯,了解哪些商品频繁地被用户同时购买,这种关联的发现可以帮助营销人员从用户的一种商品消费习惯,发现用户另外的商品消费规律,从而针对此用户制定出相关商品的营销策略,而精准营销的根本就是要找到目标用户,而能够复购的用户,一定是精准的目标用户,如何区分出复购用户,对于平台来说至关重要。作者基于互联网电商行业的数据分析与数据运营的工作经验,开展集成模型的电商用户复购预测研究。该研究基于某电商平台日用百货品类在2021年5-11月的用户行为与用户画像的脱敏数据,包括用户的点击、收藏、加购、成交等用户行为日志数据与用户画像标签以及相关指示标签。基于以上数据,结合精准营销理论与用户复购影响因素等理论选取特征并进行特征工程构建,运用Stacking集成学习框架,使用多种单模型集成训练出集成模型,同时将集成模型与其他单模型进行对比,选择出性能更好的模型,来对该平台的复购用户进行精准预测。最后封装算法,并将其运用到电商平台的实际运营当中,从而降低商家营销成本,提升ROI,拟解决平台商家现有的营销转化效率低下的问题,提升平台竞争力。由最终的实验结果可知,在数据质量较高的情况下,利用Stacking集成学习框架所构建出的集成模型的性能要优于其内部的单模型。同时,集成模型训练所需的数据量级较大且模型较为复杂,相对于规模较小的商家,该种模型更适合于大型电商平台中的数据部门来进行使用。平台将模型训练好并将输出结果分发给商家,更能够提升模型使用效率,且提升平台的竞争力。