传统制造工业的销售手段是传统制造工业产品能够长期被售出和企业获利的重要手段。传统制造工业产品(如零部件)具有替换周期短、周期性更换需求大的特点。传统销售手段主要有定期回访、杂志广告、工厂招标信息等,不仅获客成本高、产品信息流转率低、同时不利于维护客户售后后续服务的零部件更换与销售。本文将工业产品精准销售需求目标转化为机器学习和数据挖掘问题,面向传统制造业产品精准营销,以用户对工业产品的周期性购买行为的预测,及购买时间的预测为基础来进行方法研究及应用,最终设计出基于集成学习算法、多模型交叉融合的用户精准营销策略方法。本文的主要创新工作如下:1)为了提高预测结果的准确度,本文摒弃传统单一看待需求问题的角度,把传统制造工业产品营销的精准营销需求场景问题进行了拆解,拆解为用户购买行为预测和用户购买时间预测两个方面的问题;同时,摒弃传统的单一模型解决方案,基于集成学习采用多类型模型融合的用户模型和基于模型堆叠(Stacking)的日期模型作为解决方案,最终设计出基于集成学习算法、多模型交叉融合的用户精准营销策略预测方法;2)针对用户购买行为预测问题,本文从二分类和回归的不同角度,通过利用集成学习中的LightGBM算法分别构造出两个不同类型的用户模型,然后将用户模型中的分类模型和回归模型进行加权线性模型融合;同时根据需求场景利用模型后处理的结合方式,最终预测出具备购买行为的目标用户群体;3)针对用户购买时间预测问题,本文基于集成学习中的LightGBM算法作为基础算法模型,采用了时间顺序划分线下验证集和滑窗周期性倍增训练方式构造日期模型,同时,利用用户购买行为预测问题和用户购买时间预测问题的相关性,基于集成学习结合策略中的模型堆叠(Stacking)搭起两个问题间的桥梁,交叉融合用户模型和日期模型,最终实现了对用户购买时间的精准预测。实验结果表明,本文提出的方法能在较好的AUC(ROC曲线下面积大小)和均方误差(MSE)评估指标下实现对用户购买行为和购买日期的预测,最终为传统制造工业产品的精准营销提供深刻的指导意义。