原来电商企业也能运用模型规划设计营销活动营销推广是电商重要的运营组成。
电商平台要发起一场综合性的推广活动，需要明确参与活动的商品范围、促销价格、推广渠道以及如何触达到消费者等。很多营销推广活动规则复杂且不断变化，就需要使用模型来设计，例如邀人砍一刀的“免费提现”、多重阶梯的满减跨店促销等。
模型不仅帮助电商平台从多个角度去设计营销活动，发现活动过程的问题，吸引用户聚焦，提升转化率，更大幅提升营销推广效果和力度。
电商模型的建设与优化建设模型是为了解决业务流程的问题的过程，因此一定要基于业务，要清楚了解相关的数据与业务问题的关系，这样模型才能解决好业务问题的需求和问题。
模型建设是一个复杂的过程，大体来看需要五个阶段。
第一步，选择模型。基于业务需求、数据，电商平台研究决定选择具体的模型，以便更好地切合具体的应用需求。
第二步，建设模型。通过模型平台进行模型构建，或者可视化建模，或者HiveSQL脚本、Python脚本的编程建模。
第三步，训练模型。通过训练模型找到最合适的参数或变量要素，并基于真实的业务数据来确定最合适的模型参数。
第四步，部署模型。通过离线、在线等多种方式，部署建设好的模型。
第五步，模型的优化与管理。
随着业务开展、数据积累，会发现模型欠拟合或效果不佳，需要定期进行优化，包含具体优化的措施可考虑重新选择模型、调整模型参数、增加变量因子等。
用顶象Xintell快速构建和管理模型顶象Xintell智能模型平台能够帮助电商平台快速构建专属营销模型，并提供快捷的模型管理和更新升级。
数据加工。
模型建设的核心是数据，Xintell能够通过HiveSQL界面、python界面、可视化数据处理模块化组件对数据进行加工。其中数据处理模块化组件界面采用拖拉拽的形式，这样来看数据的加工逻辑流程一目了然，并且由于数据处理的代码进行功能模块化，因此也降低了数据加工的门槛，提高加工的效率。
实际操作中，数据可能存储在各种不同的地方。
Xintell提供统一管理建模所需要的各种数据库，包含但不限于MySQL、SQL Server、Oracle、DB2、PostgreSQL、ElasticSearch、FTP、Mongodb、Cassandra、Arangadb、RabbitMQ、Kafka，并支持多种类型数据源的同步。模型建设。针对不同使用人员，Xintell提供不同的方式进行建模。
初级人员可以使用拖拉拽形式建模，平台将机器学习相关代码高度功能模块化，流程一目了然；高级人员可以用python进行定制化，并且notebook支持spark的资源。
模型部署。Xintell提供两种模型部署方式。一种是在线部署，能够实时调用模型进行预测，适合图像分类、文本分类等一些特征不需要复杂加工的模型。
更支持python模型部署，兼容tensorflow2.0、pytorch、keras等多种深度学习框架的模型。开发人员也可以通过http服务，与其它平台实现无缝衔接，通过统一的界面管理进行在线部署。
另一种是离线的部署。很多模型所需的特征涉及一张或多张表，加工需要的时间较长，模型所需批量数据需要进行定时加工，然后才能够进行预测。
Xintell提供设置调度任务的方式实现离线的部署，开发法者可以按照小时、天、周、月等间隔定时调用模型跑批脚本。此外，离线模型的保存可以保存在服务器本地硬盘中，便于模型的迁移。模型监控。
模型部署后，开发者需要对模型预测结果进行监控，Xintell支持对模型调用的情况、模型的稳定性、模型的区分度进行监控。模型升级与管理。模型往往需要进行迭代更新，然后模型进行版本管理，对于在线部署的模型，Xintell可以通过管理界面上传新版本模型，然后进行版本的更新，当然若发现新版本模型不好，也可以进行版本的切换。
顶象Xintell智能模型平台基于关联网络和深度学习技术，结合Hadoop生态和自研组件，将复杂的数据处理、挖掘、机器学习过程标准化，提供从数据处理、特征衍生、模型构建到最终模型上线的一站式建模服务，结合拖拉拽式操作大幅降低建模门槛，提升建模工程师、数据科学家的工作效率，让运营人员和业务人员也能直接上手操作实践，帮助企业通过对大数据的模型训练在反欺诈、风控、营销、客户分群等场景提供模型支持，并能够根据时间变化进行动态升级与优化，极大降低建模和模型管理门槛。
