做微网站的公司哪家好,3d人物建模软件,中国空间站是干什么的,湖北seo网站推广目录 内容概述数据说明技术点主要内容4 会员用户画像和特征字段创造4.1 构建会员用户基本特征标签4.2 会员用户词云分析 5 会员用户细分和营销方案制定5.1 会员用户的聚类分析及可视化5.2 对会员用户进行精细划分并分析不同群体带来的价值差异 内容概述
本项目内容主要是基于P… 目录 内容概述数据说明技术点主要内容4 会员用户画像和特征字段创造4.1 构建会员用户基本特征标签4.2 会员用户词云分析 5 会员用户细分和营销方案制定5.1 会员用户的聚类分析及可视化5.2 对会员用户进行精细划分并分析不同群体带来的价值差异 内容概述
本项目内容主要是基于Python的“百货商场用户画像描述与价值分析”里面有详细的数据预处理、数据可视化和数据建模等步骤。同时针对传统RFM模型进行了改进构造了LRFMP模型来分析客户价值挖掘客户价值的八个字段并通过WordCloud形式展现了出来可以对会员用户进行精准画像。
数据说明
数据集分为两部分.xlsx结尾的是会员信息表.csv结尾的是销售流水表。其中会员信息表共有将近19万条记录销售流水表共有接近189万条记录。
两个表包含了如会员卡号消费产生时间性别出生时间商品编码销售数量商品售价消费金额商品名称此次消费的会员积分收银机号单据号柜组编码柜组名称等级时间等 15 个特征。
L入会程度3个月以下为新用户4-12个月为中等用户13个月以上为老用户R最近购买的时间F消费频次次数20次以上的为高频消费6-19次为中频消费5次以下为低频消费M消费金额10万以上为高等消费1万-10万为中等消费1万以下为低等消费P消费积分10万以上为高等积分用户1万-10万为中等积分用户1万以下为低等积分用户
技术点
数据预处理包括去重去缺失值、异常值处理、变量重编码和时间序列数据处理方式等数据可视化饼图、柱状图、折线图、雷达图和复合图等绘制方式等特征创造和数据建模从海量连续数据中创造出性别、消费偏好、入会程度、最近购买的时间、消费频次、消费金额、消费积分等类别数据建模部分主要通过标准化和归一化数据来对比KMeans聚类的轮廓系数结果。
主要内容
4 会员用户画像和特征字段创造
4.1 构建会员用户基本特征标签 说明积分这一列没有存在异常值 查看登记时间和消费产生的时间是否存在异常值即大于2018-01-03
筛掉两列异常时间的数据 说明单个会员有多条消费记录数
可以先筛选每位会员然后依据各个字段对进行运算求出对应的LRFMP
自定义一个函数来实现两列数据时间相减 开始登记的时间 和 最后一次消费的时间
调用函数
会员消费的总次数 会员消费的总金额 会员的积分总数
创造一列特征字段“消费时间偏好”凌晨、上午、中午、下午、晚上 会员消费的时间偏好在多项记录中取众数
会员性别
开始构建对应的特征标签 构建会员用户业务特征标签
取DataFrame之后转置取values得到一个列表再绘制对应的词云可以自定义一个绘制词云的函数输入参数为df和会员卡号 查看数据的基本特征 描述性统计
开始对数据进行分组 保存数据 4.2 会员用户词云分析
开始绘制用户词云封装成一个函数来直接显示词云 随机查找一个会员来绘制用户画像 5 会员用户细分和营销方案制定
5.1 会员用户的聚类分析及可视化
先对数据进行标准化处理
对数据进行聚类 构造一个绘制聚类可视化效果雷达图的函数 从上面可以看出标准化后的数据聚类效果相较于归一化的更好且从轮廓系数和聚类雷达图也可以看出聚类数最佳为2。因此下面我们使用聚类数为2的标准化数据进行聚类得到两类客户的LRFMP均值数据以此来判断两者之间的差异
5.2 对会员用户进行精细划分并分析不同群体带来的价值差异
以聚类数为2贴上对应的标签
统计一下两类用户之间的差异发现两类客户之间数量相差过大
用均值来计算两类样本之间的LRFMP 从上面可以看出标签为1的客户消费频次、消费金额和消费积分均远大于标签为0的客户且这类客户所占的比例仅有2.3%可以将其定义为“重要保持会员”。标签为0的客户所占比例为97.7%其会员登记时间跟标签为1的比较接近但最近一次消费时间较标签1的还要长可以将其定义为“一般发展会员” 更多详细内容可看
