建模必须与实际销售场景结合，要么找出自然转化率高的用户采取更低成本的接触方式转化，要么找出一批用户施加营销动作后较自然转化大大提升！
误区三：盲目使用、过度依赖训练集！ 训练集是个双刃剑，正确使用能充分发挥技术算法的价值，而滥用则陷入误区。前面说的某央企案例，其实训练那些模型并不困难，不就把各渠道成功下单用户作为训练集嘛，掌握工具的新手都能做出来。训练集要与准备施加的营销动作一致的才有意义。
训练集还要有代表性，譬如历史的数据是和大客户谈妥对其所有员工批量转化的，以这些数据为训练集就没有任何意义。营销场景初始往往没有训练集，必须跳出“训练集”局限。
误区四：要相关不要因果！ 《大数据时代》作者提出这个观点的时候，其实并不是要放弃追求因果，而是找出相关关系后，更迫切的是接下来怎么做，因果关系可以慢慢研究。这一点被很多人误读，世间没有无缘无故的爱，也没有无缘无故的恨，两个事物相关度很高，背后必定有一串的因果链条，如果找不到，那可能是因为训练集的问题导致伪相关，我们就要警惕了。
误区五：过于迷信算法！ 大道至简，有效的东西一定是简单的。非要复杂，那一定是因为没找到或者没掌握关联度更高的原始数据。算法并不能解决所有问题，没有好的数据基础，它无能为力。建模涉及到很多关键要素，比拼的是综合实力，在同等条件下，努力提升算法才是有意义的。
误区六：盲目追求数据精度！ 高的精度意味着更高的成本，对应更少的数据规模，如何取舍就要运用“法”篇说的ROI原则了。
三、建模七术
1、场景驱动
建模的第一件事情是搞清楚应用场景，提炼卖点、利益点，哪些是能打动用户的关键要素。从“命中目标”和“命中营销特性”这两个方面去思考我们要找什么样的用户，匹配什么样的关键特征。
2、迭代建模
建模要用互联网思维“小步快跑，快速迭代”，快速对消费者需求做出反应，否则数据会失去时效。因此我们应从简单开始入手，采用简单算法快速输出数据，后续在实战中不断检验、修正、迭代优化，不断提升数据的精准性。
3、场景还原
确定业务目标后，还原用户的生活场景，设想用户的需求场景，再考察数据能否关联。理解生活，数据挖掘会很简单。商业最终解决的是人们的物质文化需求，你想挖掘什么样的群体，先从生活中去理解它，它在什么场景下需要这些产品，有什么行为习惯，在我们的数据中留下了哪些蛛丝马迹？譬如“外围女”这个群体，你too simple对她们一无所知，就很难把她们找出来。为了挖掘“工业区人群”，我们特地组织前往厂区调研他们购买手机、上网、生活习惯等情况，为了挖掘“出租车司机”，我们打车的时候对他们进行了访谈。
五个方面理解还原：
身份属性：譬如商务精英消费能力高使用Iphone手机比例高
状态变化：譬如夜间位置变换，推测用户搬家了有宽带需求
行为表达：譬如在社交网络、搜索引擎等互联网上表达了对目标商品的关注
习惯偏好：譬如喜欢日本料理、西餐厅的人群超60%使用Iphone手机
关系推测：譬如和快递员交互的用户，我们推测它是一个电商消费者
对于任何一个业务目标，都可以从上述五个方面还原与业务目标相关联的场景，还原足够多的场景，就可以挖掘出足够规模的用户数据。
4、找数据关联
还原出场景后，就要找数据进行关联。有些我们可以基于直接数据进行输出，没有直接的数据，则找间接数据选取算法进行推导，而间接数据的选取，可继续应用上述五个方面场景还原的方法。至于具体如何清洗数据、缺省异常值处理、算法选取、误差分析等等那些实操细节，文章很多。
5、快速收敛
建模是人与机器协作的结果，核心参与者是人，建模方向由人来确定，数据维度的选取主要是人（机器辅助验证），算法也是人设计的，机器所起的所用是训练迭代，而机器储存的数据相对人脑太单一，人对数据结果、应用结果进行解读，及时输入一些理解能加快收敛的速度。