扩展我的评论，最简单的预测模型是只计算每个动作 {A,B,C,D, ... } 的转化率 Pr(conversion | action)。

R中的解决方案：

library(dplyr)
library(tidyr)

set.seed(100) # for reproducibility
action <- sample(letters[1:5], 100, replace = TRUE) # dummy up sales actions (independent variable)
converted <- as.logical(rbinom(100, 1, prob = .5))  # dummy up physician conversion (dependent variable)

(df <- data.frame(action = action, converted = converted))

# Compute conversion rates for each action
conv_df <- df %>% 
  group_by(action, converted) %>% # unique combinations of action by converted
  summarize(freq = n()) %>% # compute freq of unique combinations
  spread(converted, freq) %>% # spread rows to cols
  mutate(rate = `TRUE`/sum(`TRUE`,`FALSE`)) # compute conversion rate

conv_df[order(-conv_df$rate),] #reverse sort

##Source: local data frame [5 x 4]
##Groups: action [5]
##
##  action FALSE  TRUE      rate
##  (fctr) (int) (int)     (dbl)
##1      d     8    13 0.6190476
##2      e     7    11 0.6111111
##3      a     5     6 0.5454545
##4      c    13    10 0.4347826
##5      b    17    10 0.3703704

上面的解决方案假设应用程序是销售代表的某种指南......如果您想对销售环境中的操作分布进行建模，您还需要计算每个操作的普遍性。

正如布兰登建议的那样，正确的形式主义是在给定处方的情况下预测所需目标的概率增加。我认为使用因果模型是一个很好的解决方案，因为您可以将处方框定为治疗方法，并且模型将尝试减少数据中的偏差。econML 或 causalML 等模型