钢铁制造业客户购买预测：基于行为数据的机器学习销售决策系统

本项目是面向钢铁制造行业的端到端客户购买预测系统，由ashokmedasani维护，源码位于GitHub（链接：https://github.com/ashokmedasani/steel-client-purchase-prediction），发布于2026年6月8日。基于Alpha Steel公司的实际业务场景，整合8种机器学习算法，通过分析客户平台行为数据（如网站访问、谈判互动、吨位确认等）预测采购量，将传统经验驱动的B2B销售预测转变为数据驱动，为制造业数字化转型提供可落地的技术方案。项目支持自动化分析流水线，并提供Gradio Web界面与Hugging Face部署选项。

钢铁制造业作为典型B2B行业，面临订单周期长、客户行为复杂、市场波动大、销售资源分配难等痛点。Alpha Steel公司实施Web订单系统后积累了丰富客户行为数据（网站访问、谈判记录、吨位确认、平台功能使用等），为本项目的机器学习预测提供基础，旨在解决"如何利用行为数据预测采购活动"的问题。

特征工程：使用STEEL CLIENTS数据集，涵盖谈判互动（谈判次数、年度会话数）、交易行为（确认吨位、Web应用会话）、物流偏好（配送中心变更、配送/自提偏好）、工具使用（Excel工具、客户目录）等多维度特征。

模型对比：实现8种算法，包括线性模型（OLS、Ridge、Lasso、多项式回归）、树模型（决策树、随机森林、梯度提升）及神经网络，通过多模型对比选择最优方案。

自动化流水线：生成可视化分析（相关性矩阵、模型性能对比、特征重要性等）、结构化报告（model_results.csv）、模型持久化文件（best_model.pkl），降低非技术用户使用门槛。

核心依赖：Python生态（Pandas/NumPy数据处理、Scikit-Learn机器学习、Matplotlib可视化、Joblib模型持久化、Gradio Web界面）。

本地运行：安装依赖后执行steel_clients_pipeline.py运行完整流水线，启动app.py打开Web应用。

Hugging Face部署：创建Gradio Space，上传相关文件即可自动部署，支持零配置使用。

销售团队赋能：客户分级、资源分配、把握跟进时机；

库存优化：需求预测、生产计划调整、供应链协调；

客户成功：流失预警、交叉销售、个性化服务。

改进建议：数据层面（引入时序/外部数据、客户生命周期特征）；模型层面（尝试XGBoost/LightGBM、LSTM、模型集成）；工程层面（API接口、自动重训练、A/B测试）；业务层面（流失预测、价格敏感度分析、推荐系统）。

行业启示：展示传统制造业数字化转型路径（数据采集→特征工程→模型构建→业务集成→持续优化），为化工、建材等B2B行业提供参考架构。

本项目是B2B机器学习应用的典型案例，成功关键在于深入业务场景设计有效特征、多模型对比避免算法偏见、注重可解释性获取业务信任、自动化流水线降低使用门槛。为传统行业应用机器学习提供优秀参考实现。