我们最近使用马尔可夫链完成了一项此类练习。我们用于该项目的数据如下：对于一组选定的用户，在 6 个月的时间段内，他们的完整活动历史记录。格式如下：Userid、campaign-id、campaign-date、response tag、response value

响应标签是一个二进制标签，表示是否响应。

我们的马尔可夫链方法并不真正关心运动的时间，它只使用顺序并获得空状态与成功。

您在模型中使用什么方法？我很乐意比较笔记。虽然我无法共享数据，但我们可以在我们的数据上运行您的代码。

我们有客户的真实活动历史数据，因此不必模拟它。

这不是特定于 R 的分析或超级复杂的分析，但我们确实使用我们的数据来分析电子邮件性能：生命周期价值计算和生存率。

我们记录了特定用户的所有事件（电子邮件打开、点击、取消订阅），并将其标准化为他们首次注册的时间。我们能够构建一个简单的模式来预测每组用户的预期寿命。我们本可以将其扩展为用于客户流失预测分析，但当时我们正从电子邮件营销转向更性感的社交营销，因此我们没有继续改进模型。

我们发现一些有用的功能：

1. 电子邮件的顺序（例如，第一、第二、第三）
2. 上一封电子邮件中采取（或未采取）的措施
3. 他们在数据库中存在多长时间（1 天、3 个月、2 年等）。虽然这与 1 密切相关

等等