我有一个模型，我们希望根据某些产品的选择来优化结果的概率（在三种可能性中为每个客户提供个性化产品）。该产品是在同一个客户拥有第一个产品之后选出的第二个产品。

我以前从未使用分析模型对概率进行过优化，所以我对这个话题有点盲目。

我现在拥有的是：

• 我有一个带有一个产品的客户的数据集，优化是针对他们的，他们有第一个产品，我想为他们每个人建模下一个最好的产品 - 应用程序数据集。
• 我有另一个拥有两个或更多产品的客户的数据集，可以用他们完成培训（我知道首先购买了哪个产品） - 培训数据集。两个数据集都有可以帮助建模的外生变量：即年龄、性别等。

我认为这些可能的方式来实现目标：

• 根据第一个购买的产品拆分训练数据集，然后在购买第一个产品的基础上获得个性化概率，第二个可能产品的“符号”和系数会告诉我每个第一个产品哪个是下一个最好的（子集）。

• 在不分离任何内容的情况下对数据集进行建模，阅读结果以寻找最佳组合。

• 使用交互第一秒产品建模以寻找最佳组合。

• 使用白盒技术（决策树、逻辑回归）进行建模，因此组合是可追溯的。

• 有些不同。