如果我正确理解您的问题，您需要从 2000 年中推荐一款产品。您想选择收入期望最高的一款。这可以分解为使销售乘以收入的概率，即销售。销售的收入是已知的，概率就是所需要的。我假设您有哪些客户（具有给定功能）购买了这些产品的历史数据。现在，您可以训练回归模型来估计特定产品的销售概率。通过优化对数损失成本函数，具有 sigmoid 激活函数的逻辑回归和神经网络非常适合无偏概率估计。

有了这么多数据，我建议从您的数据子集开始并使用逻辑回归。由于这是一个广义线性模型，您可能需要进行一些特征工程来提高性能。既然你提到你使用 Python，scikit-learn 有很多用于逻辑回归优化和特征工程的函数，所以看看。

一旦你训练了 2000 个模型，对于一个新的推荐，你将通过模型运行特征，得到所有的概率，将它们乘以对应于这个产品的收入，然后选择最高的一个。

你现在的问题真的很模糊。但是，如果我必须根据您所写的内容提出建议，我建议您进行购物篮分析以确定哪些产品通常一起购买。一旦您了解了哪些产品是一起购买的，您就可以对购物篮分析中的组合进行回归分析，以预测收入最大化

根据您拥有的有关客户及其购买的信息的数量和密度，您可以运行协同过滤，这意味着找到相似客户的集群并查看每个集群倾向于购买什么。

然后，对于每个人，您可以推荐她以前没有购买过的东西，并且有更大的指标（在这种情况下是收入）。

从业务角度来看，您可能还需要考虑其他指标（净利润、库存时间等）