假设我可以收集到不同市场层次的某种产品的购买需求。示例：产品 A 是低端商品。产品 B 是另一种低端商品。产品 C 和 D 是中档商品，产品 E 和 F 是高档商品。
我们在去年收集了以下数据： 1. 不同级别的产品在哪个时间段（季节 - 节日？非节日？）根据价格设置做出反应？反应是指产品在某个价格范围内销售了多少% 2. 营销完成后市场反应的速度有多快？营销于 6 月 10 日完成，产品在 6 月 18 日之前全部售罄，因为原定于 7 月发生的节日旺季（以该价格需要 8 天才能完成销售）
数据科学如何在推荐方面受益 1. 如果我们应该早点或晚点推动营销？2.如果我们可以提高或降低价格？（根据需求和密封率？）
我是否正确理解数据科学可以在这方面帮助营销人员？如果我有兴趣了解它，我应该研究哪个方向。
您应该能够使用线性回归来找出导致您的产品卖得更好（或更差）的因素之间的相关性。
您可以在此数据集中测试许多相关性。一些例子是：
请记住，相关性并不一定意味着因果关系。始终考虑可能导致销售额上升和下降的其他因素。例如，您可能在一年的某个季节销售比另一年更多的高级商品。但是，这可能是由于整体经济的变化，而不是您的定价变化。
您可以做的第二件事是在您的产品销售页面上执行A/B 测试。这会立即为您提供清晰的反馈。一些示例测试可能是：
有很多可能性。运用你的直觉，想想你以前对产品的了解。
此类问题可以通过构建使用产品属性（包括产品层）和营销活动作为输入特征的需求预测模型来回答。这样的模型可以用来对不同的营销场景进行假设分析。增强决策树和 LSTM 通常用于实现这样的模型。其中一篇文章更详细地描述了该过程 - https://blog.griddynamics.com/predictive-analytics-for-promotion-and-price-optimization/