立即学习:https://edu.csdn.net/course/play/6861/326736?utm_source=blogtoedu
分析现状:
- 根据流失的定义,查询流失用户的回购情况;
- 流失用户的合格订单就是贡献额;
- 简单预测以下贡献额与营销成本,即可得到ROl;(投资回报率)
建模预测:
- 基于已有的营销数据,构造流失用户激活模型即可;
SEMMA步骤解析:
- Sample(搜集数据)
- 基于需求,有针对性的搜集可以解决问题的数据。
- 常用的搜集手段有:
- 问卷调查
- 数据库查询
- 实验室数据
- 仪器设备的记录
- 例如:影响收入的因素有那些?如何预测他的收入范围?
- Explore(数据探索)
- 通过数据探索,可以对数据的进一步了解。
- 常用的探索方向有:
- 离散变量的分布比例
- 连续变量的分布形态
- 数据的异常和缺失
- 特征选择
- 例如:各变量的缺失状态?统计描述?数据分布形态?
- Modify(数据修正)
- 数据修正,便于下一步分析和建模。常用的修正方法有:
- 数据类型的转换
- 数据一致性的处理
- 异常值和缺失值的处理
- 数据形态转换
- 例如:各变量中的缺失数据该如何处理?离散变量如何数值化?
- 数据修正,便于下一步分析和建模。常用的修正方法有:
- Model(数据建模)
- 数据建模,侧重于未知时间的预测。
- 常用的模型有:
- 有监督的预测模型(如回归、决策树、KNN等)
- 有监督的判别性模型(如logistics、贝叶斯、集成算法等)
- 无监督模型(如Kmeans聚类、层次聚类、密度聚类等)
- 半监督模型(如关联规则等)
- 例如:如何基于调查数据,预测用户的收入水平?
- Assess(模型评估)
- 模型评估,检验模型的稳定性以及适用性。
- 常用的检验方法有:
- RMSE
- 混淆矩阵
- ROC曲线
- KS曲线
- 例如:检验KNN模型对数据的拟合效果?