分享一個能夠?qū)懺诤啔v里的企業(yè)級數(shù)據(jù)挖掘?qū)崙?zhàn)項目

人人都可以簡單入門Python、爬蟲、數(shù)據(jù)分析
 簡說Python推薦 
來源：數(shù)據(jù)STUDIO
作者：云朵君

導(dǎo)讀： 大家好，我是云朵君，最近有很多小伙伴留言說，想要我分享一些數(shù)據(jù)挖掘?qū)崙?zhàn)案例。今天就來給大家分享一個這么一個項目。本次數(shù)據(jù)挖掘主要目的是理清楚數(shù)據(jù)挖掘的一般過程與基本方法，并沒有進行太過復(fù)雜的挖掘分析，或許會存在很多分析不夠深入的情況，歡迎各位大佬交流討論。文章較長，建議點贊、收藏轉(zhuǎn)發(fā)閱讀。

app客戶流失及客戶行為偏好分析（僅供參考）

20**年*月 - 20**年*月

分類信息app，通過數(shù)據(jù)挖掘分析影響用戶流失的關(guān)鍵因素、深入了解用戶行為偏好以此做出調(diào)整，提升客戶留存率，增強客戶黏性，并通過隨機森林算法預(yù)測客戶流失，通過特征創(chuàng)造使模型分數(shù)提高2個百分點。

項目內(nèi)容:

1. 探索數(shù)據(jù)分布，缺失情況，針對性的進行缺失值填補，對于缺失較少的重要特征選擇隨機森林缺失填補法，使用3sigma、箱型圖分析等對異常值進行處理，對分類型變量進行編碼。
2. 使用方差過濾、F檢驗過濾掉一部分特征，進行WOE分箱，對每個特征分箱結(jié)果進行可視化，分析每個特征分箱情況并以此分析 用戶行為偏好，使用各個特征的IV值進一步篩選特征。
3. 訓(xùn)練隨機森林模型，模型調(diào)參、評估，輸出模型，以此模型對用戶流失進行預(yù)測，以便針對性地挽留用戶。訓(xùn)練邏輯回歸模型，通過其算法可解釋性強的特點(特征系數(shù))來對用戶流失關(guān)鍵因素進行闡述。

使用工具:
python、pandas、numpy、matplotlib、seaborn、sklearn庫

在做一個數(shù)據(jù)挖掘項目前，需要預(yù)先擬好主要思路，比如目標是什么，先做什么，再做什么，有哪些注意事項等等。

本次案例內(nèi)容，包括數(shù)據(jù)、代碼均可在公眾號「簡說Python」后臺回復(fù)【實戰(zhàn)項目】獲取！

項目背景

項目目的

深入了解用戶畫像及行為偏好，挖掘出影響用戶流失的關(guān)鍵因素，并通過算法預(yù)測客戶訪問的轉(zhuǎn)化結(jié)果，從而更好地完善產(chǎn)品設(shè)計、提升用戶體驗！

數(shù)據(jù)說明

此次數(shù)據(jù)是攜程用戶一周的訪問數(shù)據(jù)，為保護客戶隱私，已經(jīng)將數(shù)據(jù)經(jīng)過了脫敏，和實際商品的訂單量、瀏覽量、轉(zhuǎn)化率等有一些差距，不影響問題的可解性。

模型選擇

本次項目主要從三個方面來分析，客戶流失、客戶轉(zhuǎn)化和客戶價值。

• 客戶流失

目標變量label表示是否流失，是0-1二分類問題，目的是需要挖掘出關(guān)鍵因素，擬選用邏輯回歸做模型訓(xùn)練及預(yù)測。

• 客戶轉(zhuǎn)化

預(yù)測客戶轉(zhuǎn)化率，是連續(xù)型變量預(yù)測問題，擬選擇集成數(shù)模型--隨機森林回歸。

• 客戶價值

為了更加細致的挖掘客戶價值，選擇RFM客戶價值模型進行分析。

數(shù)據(jù)預(yù)處理

數(shù)據(jù)探索

具體理論可以參見Python數(shù)據(jù)分析之?dāng)?shù)據(jù)探索分析(EDA)。

缺失值矩陣可視化

缺失值可視化兩種思路，定性化和定量化兩個思路。直接定性觀察整體缺失情況，即用第三方模塊missingno繪制矩陣圖，下圖中白色部分為缺失值。

import missingno as msno
msno.matrix(data)

缺失值分布

另一個是定量化分析，即計算每個字段的缺失值比例，通過核密度估計圖繪制缺失值分布圖。

右下圖可見缺失值分布是雙峰分布，第一高峰在0左右，表明大部分數(shù)據(jù)是完整的或僅存在少部分缺失。第二高峰在30%～40%左右，因此對于缺失值的處理，需要根據(jù)不同缺失情況定制不同的缺失值處理方案。

import seaborn as sns
sns.kdeplot(null['缺失比'],shade=True)

經(jīng)過一系列探索分析，本次數(shù)據(jù)有以下特點：

1. 689945條記錄， 49個特征
2. 兩個標簽，一個分類標簽，一個連續(xù)型標簽
3. 數(shù)據(jù)缺失嚴重
4. 存在多個偏態(tài)，需與業(yè)務(wù)人員溝通，以便更好地處理
5. 無重復(fù)值

數(shù)據(jù)清洗

數(shù)據(jù)清洗主要包括去除重復(fù)值、處理缺失值、處理異常值、?成衍生變量等操作。其中處理順序根據(jù)實際處理過程涉及的問題而定，這里的順序僅供參考。

去除重復(fù)值

對于一般模型影響不大，但對于回歸模型?言，容易導(dǎo)致回歸系數(shù)標準誤降低，使得對應(yīng)p值減?。重復(fù)值過多，樣本隨機誤差降低，造成參數(shù)的貢獻程度會被高估。本案例沒有重復(fù)值，可以略過。

異常值處理

首先處理異常值，最低酒店定價有小于0的，有等于1的值，明顯屬于異常值。異常值處理方法較多，常見有直接刪除，當(dāng)缺失值處理等等，本例中，我們用蓋帽法處理此異常值。

# 定義蓋帽法函數(shù)
def block_lower(x):
# x是輸?入的Series對象,替換1%分位數(shù)
    ql = x.quantile(.01)
    out = x.mask(x<ql,ql)
    return(out)
def block_upper(x):
# x是輸?入的Series對象,l替換99%分位數(shù)
    qu = x.quantile(.99)
    out = x.mask(x>qu,qu)
    return(out)

lowestprice: 當(dāng)前酒店可定最低價

lowestprice_pre: 24小時內(nèi)已訪問次數(shù)最多酒店可訂最低價

缺失值處理

可以參見缺失值處理，本次案例缺失值填補方案。

1. 分類型變量用 眾數(shù)填補
2. 含有負數(shù)的特征用中值填補
3. 方差大于100的連續(xù)型變量用中值填補
4. 缺失35%用 常數(shù) -1 填充單獨做一類
5. 其余變量用 均值填補
6. 超過80%直接刪除變量

特征選擇

本次選用簡單粗暴的方差過濾、F_檢驗、 以及嵌入法特征選擇，利用樹模型的特征重要性輸出結(jié)合模型效果，選擇對模型貢獻最大的那個幾個變量。事實證明，此方法效果明顯，最后成功選擇出8個特征。

嵌入法特征選擇學(xué)習(xí)曲線

利用隨機森林特征重要性屬性feature_importances_定義閾值范圍，以嵌入選擇模型SelectFromModel為基礎(chǔ)，通過交叉驗證cross_val_score得到每個閾值下模型得分情況。

繪制得到學(xué)習(xí)曲線如下圖所示，在閾值為0.0295956時，模型精確度得分最高--

# 主要代碼
X_embedded = SelectFromModel(RFC_clf,
        threshold=i).fit_transform(Xtrain,Ytrain)
val = cross_val_score(RFC_clf,
                      X_embedded,
                      Ytrain,cv=5).mean()
score.append(val)

過濾高度相關(guān)的特征

熱圖用于特征間的相關(guān)性分析，通過繪制熱圖，分析發(fā)現(xiàn)有以下兩個高度相關(guān)的變量，最終刪除特征cityuvs。

cityuvs：昨日訪問當(dāng)前城市同入住日期的app uv數(shù)
cityorders 昨日提交當(dāng)前城市同入住日期的app訂單數(shù)

sns.heatmap(Xtrain_new.corr(),
            annot=True,linewidths=1)

經(jīng)過數(shù)據(jù)預(yù)處理及特征選擇后，最終得到如下數(shù)據(jù)：

客戶流失預(yù)測模型

客戶流失預(yù)測模型的實現(xiàn)方法屬于分類算法，常用算法包括邏輯回歸、支持向量機、隨機森林等。這里總結(jié)了下模型選擇的一些參考，見文末附錄。

大部分情況下，流失客戶的樣本分類是少數(shù)類，需要注意處理樣本不均衡問題。

經(jīng)過數(shù)據(jù)預(yù)處理后，我們決定利用邏輯回歸了解用戶畫像及行為偏好，挖掘出影響用戶流失的關(guān)鍵因素，并輔以隨機森林分類器進行預(yù)測客戶流失。

需要知道關(guān)鍵因素，要求模型需要有很好的可解釋性，因此選用邏輯回歸模型。但從模型評價結(jié)果（ROC曲線面積）來看，邏輯回歸并不是很理想。

若需要同時追求模型預(yù)測精確度，則選取集成模型或其他強學(xué)習(xí)模型。這里選用大家熟知的隨機森林分類器。

特征變量分析

在將數(shù)據(jù)用于模型訓(xùn)練之前，需要先對變量進行深入分析。分析變量間是否存在高度相關(guān)性，連續(xù)性變量是否需要離散化，離散變量是否需要編碼等等。

ax = plt.figure(figsize=(8,15))
for i in range(len(train_data.columns[:-1])):
    ax.add_subplot(8,1,i+1)
    sns.kdeplot(train_data.iloc[:,i],shade=True)
    plt.title(l_[i])
plt.tight_layout();

不難發(fā)現(xiàn)，除訪問時間點外，特征均成右偏分布。因此將連續(xù)型、分類型變量做分箱處理，此處我們選用WEO分箱處理。

WOE分箱

WOE（Weight of Evidence) 好樣本比壞樣本的比例的對數(shù)。
WOE編碼： 追求組間差異大、組內(nèi)差異小、必須要有好壞兩種分類。

WOE對于一個箱子來說，WOE越大，代表好樣本越多。

每個箱子， 在這個特征上箱子的個數(shù)。是這個箱內(nèi)的標簽為0的樣本占整個特征中所有標簽為0的?。 代表了特征對預(yù)測函數(shù)的貢獻度。

為什么要引?分箱

分箱的本質(zhì)，其實就是離散化連續(xù)變量。

• 評分結(jié)果需要有一定的穩(wěn)定性
• 分類型變量： 個數(shù)比較少就可以不作處理，如果取值過多會導(dǎo)致"變量膨脹"

分箱的要求

• 不需要分箱變量： 對于分類型變量如果取值較少，?般?需分箱
• 分箱結(jié)果的有序性： 對于有序型變量（數(shù)值型、有序離散型）
• 分箱的平衡性： 嚴格情況下，每?個箱?的占比不能相差太大。?般要求占比最小的箱?不低于5%
• 分箱的單調(diào)性： 嚴格情況下，有序型變量分箱后每個箱?的壞樣本率與箱子呈單調(diào)關(guān)系

分箱的個數(shù)： 5個以內(nèi)，5-7個比較合適

分箱優(yōu)缺點：

• 優(yōu)點： 穩(wěn)定、缺失值處理理、異常值處理理、不需要歸一化
• 缺點： 有信息丟失、需要再進?一次編碼

常?的分箱?法

• 有監(jiān)督： 決策樹分箱法、卡?分箱
• 無監(jiān)督： 等距、等深、聚類

我們總結(jié)出一個特征進行分箱的步驟:

• 我們?先把連續(xù)型變量分成?組數(shù)量較多的分類型變量，?如，將幾萬個樣本分成100組，或50組(盡量有監(jiān)督的分箱)
• 確保每?組中都要包含兩種類別的樣本，否則IV值會?法計算
• 我們對相鄰的組進?卡方檢驗，卡方檢驗的P值很大的組進?合并，直到數(shù)據(jù)中的組數(shù)?于設(shè)定的N箱為止
• 我們讓?個特征分別分成[2,3,4.....20]箱，觀察每個分箱個數(shù)下的IV值如何變化，找出最適合的分箱個數(shù)
• 分箱完畢后，我們計算每個箱的WOE值，觀察分箱效果

這些步驟都完成后，我們可以對各個特征都進行分箱，然后觀察每個特征的IV值，以此來挑選特征。下?我們就對每個x生成?個對象、記錄IV值、生成WOE圖。此處代碼需要運??定義函數(shù)所在?件，若有需要，可關(guān)注「數(shù)據(jù)STUDIO」并回復(fù)【210514】獲取哦！每個x變量運行結(jié)果如下。

特征IV值

計算每個變量的IV值，并排序后繪制條形圖。通過對比分析并去掉IV值最小，即對模型基本沒有貢獻的兩個特征——sid, lastpvgap。

計算Cr的IV值

以計算用戶轉(zhuǎn)化率為例，進行WOE分箱并計算對應(yīng)的IV值。通過分析得到如下結(jié)論。

用戶轉(zhuǎn)化率在小于1.14%時用戶留存較多。隨著用戶轉(zhuǎn)化率增大時，流失用戶流失增大，但注意在大于1.925%往上，客戶留存在變多。

Lasthtlordergap 一年內(nèi)距上次下單時長

一年內(nèi)距上次下單時長在（2.5，1327）區(qū)間內(nèi)轉(zhuǎn)化結(jié)果最差，隨著時間延長，流失風(fēng)險降低，需要關(guān)注兩次下單時間間隔較長的用戶。

H 訪問時間點

訪問時間點在上午時，客戶留存效果并不好，在晚上7點后訪問的客戶，流失率少，且隨著時間點推移，留存在明顯增大，在凌晨時仍存在留存客戶優(yōu)勢。

Cityorders 昨日提交當(dāng)前城市同入住app訂單數(shù)

昨日提交當(dāng)前城市同入住app訂單數(shù)在第5箱（2.25，2.294）區(qū)間內(nèi)留存結(jié)果最好。

除第5箱外，客戶留存結(jié)果隨著訂單數(shù)增加而逐漸降低，在大于0.37時，留存客戶少于流失客戶，客戶流失風(fēng)險較大。

visitnum_oneyear 年訪問次數(shù)

年訪問次數(shù)在61650前期有較小的浮動，在大于61650時出現(xiàn)高峰 。只有訪問次數(shù)高到一定程度時（超過15000），該特征才能較明顯的客戶留存。

WOE值與特征轉(zhuǎn)換

得到每個變量的WOE值，將所有特征值換成對應(yīng)的WOE值。

邏輯回歸模型建立與評估

特征工程完畢后建立邏輯回歸模型，并利用召回率，假正率，ROC曲線評估模型。

建立邏輯回歸

from sklearn.linear_model import LogisticRegression
LR = LogisticRegression().fit(X_train,Y_train)

并計算各特征系數(shù)與截距：

評估邏輯回歸

并計算在訓(xùn)練集和測試集分數(shù)分別如下：

core metrics
+-------+----------+-----------+--------+-------+
|  auc  | accuracy | precision | recall |   f1  |
+-------+----------+-----------+--------+-------+
| 0.675 |  0.727   |   0.741   |  0.951 | 0.833 |
+-------+----------+-----------+--------+-------+

ROC曲線

from sklearn.metrics import auc,accuracy_score,recall_score,f1_score
y_score = LR.predict_proba(X_test)  # 隨機森林
fpr, tpr, thresholds = roc_curve(Y_test, y_score[:, 1])
roc_auc = auc(fpr, tpr)
def drawRoc(roc_auc,fpr,tpr):
    plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
    plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
drawRoc(roc_auc, fpr, tpr)

模型改進

我們發(fā)現(xiàn)邏輯回歸ROC較低，我們試圖從特征角度上來改進模型。

生成衍生變量

M = ordernum_oneyear * avgprice

ordernum_oneyear   用戶年訂單數(shù)
avgprice    平均價格

我們將平均價格和年訂單量相乘得到年消費，發(fā)現(xiàn)客戶年消費越多，流失越多。

將生產(chǎn)的衍射變量進行WOE分箱。

• 從IV值看：此特征對標簽有較大的貢獻度；
• 從客戶箱子來看，總體呈現(xiàn)單調(diào)遞減，客戶年消費越多，流失風(fēng)險越大。

d :  訪問日期
arrival :入住日期

此時想到一開始我們之間將日期時間刪除處理，現(xiàn)在將其處理后帶入模型看看什么效果。

用入住日期減去訪問日期得到間隔日期delta，發(fā)現(xiàn)客戶在入住前很早就訪問，留存率會很大。

將生產(chǎn)的衍射變量進行WOE分箱。

• 從IV值看：此特征對標簽有較大的貢獻度；
• 從客戶箱子來看，總體呈現(xiàn)單調(diào)遞增，客戶瀏覽日期距離入住日期越久，流失越少。

模型改進評估

建立邏輯回歸

并計算各特征系數(shù)與截距：

評估邏輯回歸

計算在訓(xùn)練集和測試集分數(shù)分別如下：

core metrics
+--------+----------+-----------+--------+-------+
|   auc  | accuracy | precision | recall |   f1  |
+--------+----------+-----------+--------+-------+
| 0.6895 |  0.731   |   0.745   | 0.949  | 0.835 |
+--------+----------+-----------+--------+-------+

經(jīng)生成兩個衍生變量后，邏輯回歸模型ROC得分提高2個百分點。

隨機森林分類模型

模型建立與調(diào)參數(shù)

隨機森林分類器目的是輔助預(yù)測客戶流失，因此利用清洗好的數(shù)據(jù)直接利用網(wǎng)格搜索進行調(diào)參數(shù)：

n_estimators = range(10, 201, 10)
max_depth= range(3, 21,1)
min_samples_split= range(2, 22, 1)
min_samples_leaf = range(1, 12, 1)
n_estimators = range(10, 201, 10)

得到最佳參數(shù)組合為

model = RFC(n_estimators=180
            ,max_depth=20
            ,min_samples_leaf=1
            ,min_samples_split=2
            ,random_state=0)

模型評估

最后隨機森林分類器在保證未出現(xiàn)過擬合的情況下，ROC曲線面積達到0.97。

客戶價值

接下來，為了進一步挖掘客戶價值，提升用戶體驗，我們運用了RFM客戶價值模型。

RFM客戶價值模型

根據(jù)客戶價值模型，我們定義一年內(nèi)距離上次下單時長為R，年訂單量為F，平均價格為M。

客戶價值度用來評估用戶的價值情況，是區(qū)分客戶價值的重要模型和參考依據(jù)，也是衡量不同營銷效果的關(guān)鍵指標之一。價值度模型一般基于交易行為產(chǎn)生，衡量的是有實體轉(zhuǎn)化價值的行為。

RFM模型是根據(jù)客戶最近一次購買時間R(Recency)、購買頻率 F(Frequency)、購買金額M(Monetary)計算得出RFM得分，通過這 三個維度來評估客戶的訂單活躍價值，常用來做客戶分群或價值區(qū)分。

RFM模型基于一個固定時間點來做模型分析，因此今天做的RFM得分跟7天前做的結(jié)果可能不一樣，原因是每個客戶在不同的時間節(jié)點所得到的數(shù)據(jù)不同。

得到 RFM 得分后的思路

• 基于3個維度做用戶群體劃分和解讀，對用戶價值做分析。
• 基于匯總得分評估所有會員的價值價值，做活躍度排名。
• 作為維度輸入和其他維度一起做輸入變量，為數(shù)據(jù)挖掘和分析建模提高基礎(chǔ)。

數(shù)據(jù)預(yù)處理

在特征選擇方面，我們在之前的特征基礎(chǔ)上添加了一些我們認為與客戶價值有關(guān)的變量。對特征進行缺失值分析得到：

同樣對數(shù)據(jù)進行深入探索，因為本次價值模型無需劃分測試集和訓(xùn)練集，又數(shù)據(jù)量足夠多，因此我們直接將有缺失值的記錄刪除。

價值模型

以客戶轉(zhuǎn)化率做目標變量，利用隨機森林回歸模型計算出各價值指標權(quán)重，然后分布計算出每個用戶的RFM得分，分別以權(quán)重加和，及標簽組合來表示價值得分。本次RFM模型構(gòu)建方法僅供參考！

另外，為了體現(xiàn)流失客戶及留存客戶優(yōu)勢比，參照最優(yōu)分箱公式，創(chuàng)造了一個類別，以-1表示。其計算方法是：

第一步：以RFM分群和標簽聚合，分別對客戶id計數(shù)，以及RFM得分求和

 groupby(['rfm\_group','label'])

第二步：對留存和流失客戶求差。就是用不同類別的個數(shù)總和求差，乘以 RFM得分總和求差取對數(shù)

 groupby(['rfm\_group','label'])

當(dāng)然，這里是我參數(shù)優(yōu)勢比的原理創(chuàng)造的計算公式，其實用價值及是否合理，還需跟業(yè)務(wù)結(jié)合。這里僅作參考。

number(-1) = (number_0 -number_1)\*log(sum(rfm_score)_0/sum(rfm_score)_1)

可視化價值模型

標簽 0 是留存用戶，標簽 1 是流失用戶，標簽 -1 是留存減流失乘以優(yōu)勢比。

# 顯示圖形
bar3d = Bar3D("", width=900, height=600)
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
bar3d.add(
    "rfm分組結(jié)果",  "", "",
    [d.tolist() for d in data_display.values],
    is_visualmap=True,
    visual_range=[0, data_display['number'].max()],
    visual_range_color=range_color,
    grid3d_width=200,
    grid3d_height=80,
    grid3d_depth=80
)
bar3d

我們可以看到在以R就是一年內(nèi)距離上次下單時長為軸，其兩端留存和流失客戶均很多，且 R 等于 1 就是距離時間越久，客戶流失就越少，與我們用WOE分箱分析結(jié)果一致。

客戶轉(zhuǎn)化預(yù)測

由上面分析報告可知，影響客戶流失的兩大因素：

• 用戶轉(zhuǎn)化率
• 一年內(nèi)距離上次下單時長

因此我們以客戶轉(zhuǎn)化率為目標標簽，進行進一步預(yù)測分析。

數(shù)據(jù)處理與特征創(chuàng)造與選擇

數(shù)據(jù)處理特征創(chuàng)造等類同于前面步驟，在這里就不贅述了。

在缺失值處理方面不同的是，我們直接將 cr 缺失的記錄直接刪除了，這樣處理的原因是，一是剩余數(shù)據(jù)量較多，足夠隨機森林預(yù)測。二是隨機森林以后實用袋外數(shù)據(jù)進行模型評估。

以連續(xù)特征 cr 客戶轉(zhuǎn)化率作為目標標簽，利用隨機森林回歸器輸出特征重要性來選擇出使得模型分數(shù)最高的那幾個特征。本次選擇出了13個對模型貢獻度較大特征。

我可以看到排名第一的仍然是一年內(nèi)距離上次下單時間對用戶轉(zhuǎn)化率的影響最高。

相比對客戶流失影響的特征，多了歷史訂單數(shù)，歷史取消訂單數(shù)及星級偏好，客戶價值等。

模型訓(xùn)練與調(diào)參數(shù)

運用網(wǎng)格搜索方法對隨機森林分類器進行調(diào)參，得到最佳參數(shù)：(這里注意調(diào)參時間較長，小伙伴們可以嘗試運用貝葉斯優(yōu)化調(diào)參方法)

model = RFR(n_estimators=180
                       ,max_depth=25
                       ,min_samples_leaf=1
                       ,min_samples_split=2
                       ,random_state=0
                        )

因此得到該模型，在測試集預(yù)測得分92.26%。最后可以保存模型以供模型部署使用。

項目總結(jié)

我們使用了邏輯回歸模型和客戶價值模型對客戶流失進行深入挖掘，找出了影響客戶流失的關(guān)鍵因素：

用戶轉(zhuǎn)化率——用戶轉(zhuǎn)化率大時，流失用戶占比反而在逐漸增大。

一年內(nèi)距上次下單時長——一年內(nèi)距上次下單時長在（2.5，1327）區(qū)間內(nèi)最容易流失，但時間越久的，約容易留存。

訪問時間點——白天訪問轉(zhuǎn)化率低，晚上7點后訪問客戶更易轉(zhuǎn)化。

昨日提交當(dāng)前城市同入住app 訂單數(shù) —— 訂單數(shù)越大，客戶流失風(fēng)險越大， 但在（2.25，2.294）區(qū)間內(nèi)轉(zhuǎn)化結(jié)果最好。

創(chuàng)造的特征M，delta

• M客戶年花費越大，流失風(fēng)險越大。
• delta隨著訪問日期與入住日期距離越近，客戶更易流失，也就是沒怎么訪問就入住的酒店，相比而言，在入住之前就有關(guān)注酒店的客戶，黏性就越大。

用戶畫像

我們總結(jié)出易流失人群和留存客戶人群特征，對客戶進行一個簡單的畫像。針對易流失人群，推薦具體業(yè)務(wù)可以從三個維度將本次分析結(jié)果落地。

• 時間維度，如訪問時間維度，下單間隔維度
• 數(shù)量維度，如訪問量，訂單量等
• 價格維度，價格敏感度，客戶年消費金額等

易留存人群特征

一年內(nèi)距上次下單時長在（1，1.075）區(qū)間
用戶轉(zhuǎn)化率在（ 1，1.075 ）區(qū)間
訪問時間在晚上
訂單數(shù)在2.294以下
年訪問次數(shù)超過15003
年消費越小
入住日期與訪問日期間隔越長

易流失人群特征

一年內(nèi)距上次下單時長在（2.5，1327）區(qū)間
用戶轉(zhuǎn)化率在（1.505，1.925）區(qū)間
訪問時間在上午
App訂單數(shù)在2.61以上
年訪問次數(shù)在小于15000
年消費越大
入住日期與訪問日期間隔越短

附錄如何選擇算法

如何選擇聚類算法

• 如果數(shù)據(jù)集是高維的 —— 譜聚類，它是子空間劃分的一種。
• 如果數(shù)據(jù)是中小規(guī)模：
• 100萬以內(nèi) —— K_Means
• 100萬以上 —— MiniBatchKMeans（每類抽取一部分樣本聚類，精度下降，速度提高）
• 數(shù)據(jù)集中有噪聲（離群點） —— 基于密度的帶有噪聲的 DBSCAN 。
• 如果追求更高的分類準確性，選擇譜聚類比K_Means準確性更好。

如何選擇回歸分析算法

• 數(shù)據(jù)集本身結(jié)構(gòu)簡單、分布規(guī)律有明顯線性關(guān)系——簡單線性回歸，基于最小二乘法的普通線性回歸。
• 自變量數(shù)量少或降維后得到了二維變量（包括預(yù)測變量）——直接使用散點圖，發(fā)現(xiàn)自變量和因變量之間的相互關(guān)系，然后再選擇最佳回歸方法
• 自變量間有較強共線性關(guān)系——嶺回歸，L2正則化，對多重共線性靈活處理的方法
• 如果噪聲較多——推薦主成分回歸，通過對參與回歸的主成分的合理選擇，可以去掉噪聲；各個主成分相互正交，解決多元回歸共線性問題。
• 高維度變量下——正則化回歸方法，Lasso、Ridge、ElasticNet。降維、逐步回歸
• 可使用交叉驗證做多個模型的效果對比，驗證多個算法
• 注重模型的可解釋性—— 線性回歸、邏輯回歸、對數(shù)回歸、二項式或多項式回歸
• 集成或組合方法——加權(quán)、均值等方法確定最終輸出結(jié)果（一旦確認來多個方法，又不確定取舍）

如何選擇分類分析算法

• 文本文類——樸素貝葉斯
• 訓(xùn)練集較小——樸素貝葉斯、支持向量機，高偏差低方差低分類算法，不容易過擬合
• 訓(xùn)練集較大——基本都適用
• 關(guān)注模型等計算時間和模型易用性——不用支持向量機和人工神經(jīng)網(wǎng)絡(luò)
• 重視算法準確性——支持向量機、GBDT、XGBoost、Adaboost等基于Boosting等集成方法
• 重視算法穩(wěn)定性或模型魯棒性——隨機森林、組合投票模型等基于Bagging的集成方法
• 預(yù)得到預(yù)測結(jié)果的概率信息，基于預(yù)測概率做進一步應(yīng)用——邏輯回歸
• 擔(dān)心離群點或數(shù)據(jù)不可分并且需要清晰的決策規(guī)則——決策樹

如此干貨，點贊支持。
--END--

掃碼即可加我微信
觀看朋友圈，獲取最新學(xué)習(xí)資源

學(xué)習(xí)更多：
整理了我開始分享學(xué)習(xí)筆記到現(xiàn)在超過250篇優(yōu)質(zhì)文章，涵蓋數(shù)據(jù)分析、爬蟲、機器學(xué)習(xí)等方面，別再說不知道該從哪開始，實戰(zhàn)哪里找了

“點贊”傳統(tǒng)美德不能丟