携程客户流失分析项目（个人练习+源代码）

最新推荐文章于 2024-04-30 11:38:08 发布
最新推荐文章于 2024-04-30 11:38:08 发布
阅读量2.3k 收藏 15
点赞数 2
分类专栏： 机器学习个人练习项目 文章标签： python 机器学习 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jidongdaoshi/article/details/122651140
版权
这是一个关于携程客户流失分析的个人练习项目，涉及到大量数据处理和机器学习模型的运用。通过对不同规模的数据集（从5行到数十万行不等，包含50列以上的信息）进行探索和建模，旨在预测并理解客户流失的原因和模式，从而为业务提供决策支持。
摘要由CSDN通过智能技术生成 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from time import time
import datetime
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.feature_selection import f_classif, SelectFromModel, VarianceThreshold
from sklearn.ensemble import RandomForestClassifier as RFC
%matplotlib inline

plt.rcParams['font.family'] = ['SimHei']    # 显示中文,解决图中无法显示中文的问题
plt.rcParams['axes.unicode_minus']=False

# 读取文件
df = pd.read_table('userlostprob.txt')

# 查看头五行
df.head()
label sampleid d arrival iforderpv_24h decisionhabit_user historyvisit_7ordernum historyvisit_totalordernum hotelcr ordercanceledprecent ... lowestprice_pre2 lasthtlordergap businessrate_pre2 cityuvs cityorders lastpvgap cr sid visitnum_oneyear h
0 0 24636 2016-05-18 2016-05-18 0 NaN NaN NaN 1.04 NaN ... 615.0 NaN 0.29 12.880 3.147 NaN NaN 7 NaN 12
1 1 24637 2016-05-18 2016-05-18 0 NaN NaN NaN 1.06 NaN ... 513.0 NaN 0.53 17.933 4.913 NaN NaN 33 NaN 14
2 0 24641 2016-05-18 2016-05-19 0 NaN NaN NaN 1.05 NaN ... 382.0 NaN 0.60 3.993 0.760 NaN NaN 10 NaN 19
3 0 24642 2016-05-18 2016-05-18 0 NaN NaN NaN 1.01 NaN ... 203.0 NaN 0.18 3.220 0.660 NaN NaN 8 NaN 16
4 1 24644 2016-05-18 2016-05-19 0 NaN NaN NaN 1.00 NaN ... 84.0 NaN NaN 0.013 NaN NaN NaN 1 NaN 21

5 rows × 51 columns

# 观察标签分布状况
df['label'].value_counts()

0    500588
1    189357
Name: label, dtype: int64

# 查看后五行
df.tail()
label sampleid d arrival iforderpv_24h decisionhabit_user historyvisit_7ordernum historyvisit_totalordernum hotelcr ordercanceledprecent ... lowestprice_pre2 lasthtlordergap businessrate_pre2 cityuvs cityorders lastpvgap cr sid visitnum_oneyear h
689940 1 2238419 2016-05-15 2016-05-17 1 19.0 NaN NaN 1.06 NaN ... 406.0 NaN 0.48 13.573 1.660 1034.0 1.0 5 119.0 18
689941 1 2238421 2016-05-15 2016-05-15 1 10.0 3.0 3.0 1.06 0.33 ... 199.0 713.0 0.51 2.880 0.513 179.0 2.0 15 1472.0 12
689942 0 2238422 2016-05-15 2016-05-17 0 NaN NaN NaN 1.07 NaN ... 544.0 NaN 0.45 15.293 2.067 0.0 NaN 8 107.0 0
689943 0 2238425 2016-05-15 2016-05-17 0 NaN NaN NaN 1.04 NaN ... 156.0 NaN 0.29 2.467 0.333 NaN NaN 4 NaN 0
689944 0 2238426 2016-05-15 2016-05-15 0 NaN NaN NaN 1.02 NaN ... 275.0 NaN NaN 12.600 2.653 NaN NaN 2 NaN 11

5 rows × 51 columns

# 随机查看五行
df.sample(5)
label sampleid d arrival iforderpv_24h decisionhabit_user historyvisit_7ordernum historyvisit_totalordernum hotelcr ordercanceledprecent ... lowestprice_pre2 lasthtlordergap businessrate_pre2 cityuvs cityorders lastpvgap cr sid visitnum_oneyear h
477013 1 820235 2016-05-21 2016-05-21 0 15.0 NaN 15.0 1.05 0.36 ... 582.0 18831.0 0.48 17.220 3.400 4242.0 1.33 446 906.0 9
426926 0 736598 2016-05-15 2016-05-15 0 1.0 NaN 39.0 1.05 0.16 ... 978.0 12199.0 0.13 5.113 0.847 642.0 1.36 732 2583.0 8
628554 0 1072402 2016-05-20 2016-05-20 0 NaN NaN 3.0 1.02 0.00 ... 147.0 55214.0 0.27 15.873 3.220 10002.0 1.11 186 905.0 19
248275 0 438633 2016-05-18 2016-06-09 0 19.0 2.0 28.0 1.02 0.78 ... NaN 3329.0 NaN 1.320 0.087 145.0 1.12 449 17397.0 11
198972 0 356550 2016-05-19 2016-05-19 0 7.0 NaN 2.0 1.04 0.50 ... 206.0 61467.0 0.32 20.480 5.153 13264.0 1.08 59 1522.0 20

5 rows × 51 columns

# 数据形状
df.shape

(689945, 51)

# 查看数据类型
df.dtypes

label                                 int64
sampleid                              int64
d                                    object
arrival                              object
iforderpv_24h                         int64
decisionhabit_user                  float64
historyvisit_7ordernum              float64
historyvisit_totalordernum          float64
hotelcr                             float64
ordercanceledprecent                float64
landhalfhours                       float64
ordercanncelednum                   float64
commentnums                         float64
starprefer                          float64
novoters                            float64
consuming_capacity                  float64
historyvisit_avghotelnum            float64
cancelrate                          float64
historyvisit_visit_detailpagenum    float64
delta_price1                        float64
price_sensitive                     float64
hoteluv                             float64
businessrate_pre                    float64
ordernum_oneyear                    float64
cr_pre                              float64
avgprice                            float64
lowestprice                         float64
firstorder_bu                       float64
customereval_pre2                   float64
delta_price2                        float64
commentnums_pre                     float64
customer_value_profit               float64
commentnums_pre2                    float64
cancelrate_pre                      float64
novoters_pre2                       float64
novoters_pre                        float64
ctrip_profits                       float64
deltaprice_pre2_t1                  float64
lowestprice_pre                     float64
uv_pre                              float64
uv_pre2                             float64
lowestprice_pre2                    float64
lasthtlordergap                     float64
businessrate_pre2                   float64
cityuvs                             float64
cityorders                          float64
lastpvgap                           float64
cr                                  float64
sid                                   int64
visitnum_oneyear                    float64
h                                     int64
dtype: object

# 查看数据基本信息
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 689945 entries, 0 to 689944
Data columns (total 51 columns):
 #   Column                            Non-Null Count   Dtype  
---  ------                            --------------   -----  
 0   label                             689945 non-null  int64  
 1   sampleid                          689945 non-null  int64  
 2   d                                 689945 non-null  object 
 3   arrival                           689945 non-null  object 
 4   iforderpv_24h                     689945 non-null  int64  
 5   decisionhabit_user                385450 non-null  float64
 6   historyvisit_7ordernum            82915 non-null   float64
 7   historyvisit_totalordernum        386525 non-null  float64
 8   hotelcr                           689148 non-null  float64
 9   ordercanceledprecent              447831 non-null  float64
 10  landhalfhours                     661312 non-null  float64
 11  ordercanncelednum                 447831 non-null  float64
 12  commentnums                       622029 non-null  float64
 13  starprefer                        464892 non-null  float64
 14  novoters                          672918 non-null  float64
 15  consuming_capacity                463837 non-null  float64
 16  historyvisit_avghotelnum          387876 non-null  float64
 17  cancelrate                        678227 non-null  float64
 18  historyvisit_visit_detailpagenum  307234 non-null  float64
 19  delta_price1                      437146 non-null  float64
 20  price_sensitive                   463837 non-null  float64
 21  hoteluv                           689148 non-null  float64
 22  businessrate_pre                  483896 non-null  float64
 23  ordernum_oneyear                  447831 non-null  float64
 24  cr_pre                            660548 non-null  float64
 25  avgprice                          457261 non-null  float64
 26  lowestprice                       687931 non-null  float64
 27  firstorder_bu                     376993 non-null  float64
 28  customereval_pre2                 661312 non-null  float64
 29  delta_price2                      437750 non-null  float64
 30  commentnums_pre                   598368 non-null  float64
 31  customer_value_profit             439123 non-null  float64
 32  commentnums_pre2                  648457 non-null  float64
 33  cancelrate_pre                    653015 non-null  float64
 34  novoters_pre2                     657616 non-null  float64
 35  novoters_pre                      648956 non-null  float64
 36  ctrip_profits                     445187 non-null  float64
 37  deltaprice_pre2_t1                543180 non-null  float64
 38  lowestprice_pre                   659689 non-null  float64
 39  uv_pre                            660548 non-null  float64
 40  uv_pre2                           661189 non-null  float64
 41  lowestprice_pre2                  660664 non-null  float64
 42  lasthtlordergap                   447831 non-null  float64
 43  businessrate_pre2                 602960 non-null  float64
 44  cityuvs                           682274 non-null  float64
 45  cityorders                        651263 non-null  float64
 46  lastpvgap                         592818 non-null  float64
 47  cr                                457896 non-null  float64
 48  sid                               689945 non-null  int64  
 49  visitnum_oneyear                  592910 non-null  float64
 50  h                                 689945 non-null  int64  
dtypes: float64(44), int64(5), object(2)
memory usage: 268.5+ MB

# 描述性统计
df.describe([0.01, 0.1, 0.25, 0.5, 0.75, 0.9, 0.99])
label sampleid iforderpv_24h decisionhabit_user historyvisit_7ordernum historyvisit_totalordernum hotelcr ordercanceledprecent landhalfhours ordercanncelednum ... lowestprice_pre2 lasthtlordergap businessrate_pre2 cityuvs cityorders lastpvgap cr sid visitnum_oneyear h
count 689945.000000 6.899450e+05 689945.000000 385450.000000 82915.000000 386525.000000 689148.000000 447831.000000 661312.000000 447831.000000 ... 660664.000000 447831.000000 602960.000000 682274.000000 651263.000000 592818.000000 457896.000000 689945.000000 5.929100e+05 689945.000000
mean 0.274452 6.285402e+05 0.193737 5.317048 1.856094 11.710487 1.060996 0.342119 6.086366 154.179369 ... 318.541812 101830.919400 0.368237 10.648278 2.253250 12049.409382 1.137476 153.702414 1.855185e+04 14.462315
std 0.446238 4.146815e+05 0.395226 38.524483 2.103862 17.251429 0.045264 0.354210 12.413225 398.456986 ... 351.913035 122784.313864 0.219945 15.696682 3.538453 25601.374138 0.204789 277.807697 2.288603e+05 6.301575
min 0.000000 2.463600e+04 0.000000 0.000000 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 ... 1.000000 0.000000 0.000000 0.007000 0.007000 0.000000 1.000000 0.000000 1.000000e+00 0.000000
1% 0.000000 3.620588e+04 0.000000 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 ... 52.000000 244.000000 0.010000 0.013000 0.007000 0.000000 1.000000 1.000000 2.100000e+01 0.000000
10% 0.000000 1.398464e+05 0.000000 1.000000 1.000000 1.000000 1.010000 0.000000 0.000000 0.000000 ... 101.000000 3518.000000 0.050000 0.160000 0.033000 127.000000 1.000000 4.000000 1.610000e+02 6.000000
25% 0.000000 3.123200e+05 0.000000 2.000000 1.000000 2.000000 1.030000 0.000000 0.000000 0.000000 ... 145.000000 14999.000000 0.170000 0.827000 0.127000 551.000000 1.000000 17.000000 4.710000e+02 11.000000
50% 0.000000 5.996370e+05 0.000000 3.000000 1.000000 6.000000 1.050000 0.250000 0.000000 2.000000 ... 233.000000 46890.000000 0.400000 3.527000 0.627000 2848.000000 1.050000 62.000000 1.315000e+03 15.000000
75% 1.000000 8.874600e+05 0.000000 5.000000 2.000000 14.000000 1.090000 0.570000 4.000000 153.000000 ... 388.000000 138953.000000 0.550000 13.327000 2.747000 10726.000000 1.210000 180.000000 3.141000e+03 20.000000
90% 1.000000 1.059705e+06 1.000000 10.000000 3.000000 29.000000 1.120000 0.980000 27.000000 492.000000 ... 611.000000 311492.000000 0.650000 35.567000 7.547000 30384.900000 1.400000 392.000000 6.634000e+03 22.000000
99% 1.000000 2.226893e+06 1.000000 27.000000 7.000000 82.000000 1.190000 1.000000 48.000000 1752.000000 ... 1464.000000 484734.000000 0.780000 66.007000 14.453000 138722.000000 2.000000 1212.000000 2.625670e+05 23.000000
max 1.000000 2.238426e+06 1.000000 3167.000000 106.000000 711.000000 3.180000 1.000000 49.000000 13475.000000 ... 43700.000000 527026.000000 0.990000 67.140000 14.507000 194386.000000 11.000000 9956.000000 9.651192e+06 23.000000

12 rows × 49 columns

# 删除重复值
df.drop_duplicates(inplace=True)
df.shape

(689945, 51)

# 根据缺失值比例进行排序
null = df.isnull().mean().reset_index().sort_values(0)
null_1 = null.rename(columns={
   'index':'特征', 0:'缺失比'})
null_1
特征 缺失比
0 label 0.000000
48 sid 0.000000
4 iforderpv_24h 0.000000
50 h 0.000000
2 d 0.000000
1 sampleid 0.000000
3 arrival 0.000000
8 hotelcr 0.001155
21 hoteluv 0.001155
26 lowestprice 0.002919
44 cityuvs 0.011118
17 cancelrate 0.016984
14 novoters 0.024679
28 customereval_pre2 0.041500
10 landhalfhours 0.041500
40 uv_pre2 0.041679
41 lowestprice_pre2 0.042440
39 uv_pre 0.042608
24 cr_pre 0.042608
38 lowestprice_pre 0.043853
34 novoters_pre2 0.046857
33 cancelrate_pre 0.053526
45 cityorders 0.056065
35 novoters_pre 0.059409
32 commentnums_pre2 0.060132
12 commentnums 0.098437
43 businessrate_pre2 0.126075
30 commentnums_pre 0.132731
49 visitnum_oneyear 0.140642
46 lastpvgap 0.140775
37 deltaprice_pre2_t1 0.212720
22 businessrate_pre 0.298646
13 starprefer 0.326190
20 price_sensitive 0.327719
15 consuming_capacity 0.327719
47 cr 0.336330
25 avgprice 0.337250
23 ordernum_oneyear 0.350918
42 lasthtlordergap 0.350918
11 ordercanncelednum 0.350918
9 ordercanceledprecent 0.350918
36 ctrip_profits 0.354750
31 customer_value_profit 0.363539
29 delta_price2 0.365529
19 delta_price1 0.366405
16 historyvisit_avghotelnum 0.437816
7 historyvisit_totalordernum 0.439774
5 decisionhabit_user 0.441332
27 firstorder_bu 0.453590
18 historyvisit_visit_detailpagenum 0.554698
6 historyvisit_7ordernum 0.879824 
# 绘制密度图
plt.figure(figsize=(8,6))
sns.kdeplot(null_1['缺失比'], shade=True)

在这里插入图片描述

# 用条形图观察缺失值
plt.figure(figsize=(8,6))
plt.bar(range(null_1.shape[0]), null_1['缺失比'], label='lost rate')
plt.legend(loc='best')

在这里插入图片描述

# 删除缺失值过多的列
df = df.drop(['historyvisit_7ordernum'], axis=1)
df
label sampleid d arrival iforderpv_24h decisionhabit_user historyvisit_totalordernum hotelcr ordercanceledprecent landhalfhours ... lowestprice_pre2 lasthtlordergap businessrate_pre2 cityuvs cityorders lastpvgap cr sid visitnum_oneyear h
0 0 24636 2016-05-18 2016-05-18 0 NaN NaN 1.04 NaN 22.0 ... 615.0 NaN 0.29 12.880 3.147 NaN NaN 7 NaN 12
1 1 24637 2016-05-18 2016-05-18 0 NaN NaN 1.06 NaN 0.0 ... 513.0 NaN 0.53 17.933 4.913 NaN NaN 33 NaN 14
2 0 24641 2016-05-18 2016-05-19 0 NaN NaN 1.05 NaN 3.0 ... 382.0 NaN 0.60 3.993 0.760 NaN NaN 10 NaN 19
3 0 24642 2016-05-18 2016-05-18 0 NaN NaN 1.01 NaN 2.0 ... 203.0 NaN 0.18 3.220 0.660 NaN NaN 8 NaN 16
4 1 24644 2016-05-18 2016-05-19 0 NaN NaN 1.00 NaN 0.0 ... 84.0 NaN NaN 0.013 NaN NaN NaN 1 NaN 21
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
689940 1 2238419 2016-05-15 2016-05-17 1 19.0 NaN 1.06 NaN 1.0 ... 406.0 NaN 0.48 13.573 1.660 1034.0 1.0 5 119.0 18
689941 1 2238421 2016-05-15 2016-05-15 1 10.0 3.0 1.06 0.33 49.0 ... 199.0 713.0 0.51 2.880 0.513 179.0 2.0 15 1472.0 12
689942 0 2238422 2016-05-15 2016-05-17 0 NaN NaN 1.07 NaN 0.0 ... 544.0 NaN 0.45 15.293 2.067 0.0 NaN 8 107.0 0
689943 0 2238425 2016-05-15 2016-05-17 0 NaN NaN 1.04 NaN 0.0 ... 156.0 NaN 0.29 2.467 0.333 NaN NaN 4 NaN 0
689944 0 2238426 2016-05-15 2016-05-15 0 NaN NaN 1.02 NaN 0.0 ... 275.0 NaN NaN 12.600 2.653 NaN NaN 2 NaN 11

689945 rows × 50 columns

# 异常值观察
df.describe([0.01, 0.25, 0.5, 0.75, 0.99]).T
count mean std min 1% 25% 50% 75% 99% max
label 689945.0 0.274452 0.446238 0.000 0.00000 0.000 0.000 1.000 1.000000e+00 1.000
sampleid 689945.0 628540.209625 414681.498697 24636.000 36205.88000 312320.000 599637.000 887460.000 2.226893e+06 2238426.000
iforderpv_24h 689945.0 0.193737 0.395226 0.000 0.00000 0.000 0.000 0.000 1.000000e+00 1.000
decisionhabit_user 385450.0 5.317048 38.524483 0.000 1.00000 2.000 3.000 5.000 2.700000e+01 3167.000
historyvisit_totalordernum 386525.0 11.710487 17.251429 1.000 1.00000 2.000 6.000 14.000 8.200000e+01 711.000
最低0.47元/天 解锁文章
jidongdaoshi
关注
专栏目录
python数据分析模型建立_一个完整的数据分析案例 | 用Python建立客户流失预测模型（含源数据+代码）...
weixin_39908462的博客
11-25 2809
原标题：一个完整的数据分析案例 | 用Python建立客户流失预测模型（含源数据+代码）来源：数据分析不是个事儿作者：启方原文：https://mp.weixin.qq.com/s/_20MN6V6aV1T3Ekd7C9neQ 客户流失是所有与消费者挂钩行业都会关注的点。因为发展一个新客户是需要一定成本的，一旦客户流失，成本浪费不说，挽回一个客户的成本更大。今天分享一个用户流失预测，以电信行业为例...
【数据分析报告】携程客户分析与流失预测
热门推荐
changreal的博客
08-11 7万+
目录一、项目背景与目的二、探索性分析2.1 数据指标预览2.2 数据概况2.3 数据分布2.3.1 数据分布总览2.3.2 预定日期和入住日期2.3.3 访问时间段2.3.4 客户价值2.3.5 消费能力指数2.3.6 价格敏感指数分布2.3.6 入住酒店平均价格2.3.7 酒店星级偏好2.3.8 订单取消率2.3.9 用户年订单数分布2.3.10 新老客户流失率三、数据预处理3.1 去除不需要的字段与重复字段3.2 数据类型转换3.3 异常值处理3.3.1负数处理3.3.2 极值处理3.4 缺失值处理3.
携程酒店浏览客户流失概率预测-陈无忌.pdf
03-29
携程酒店浏览客户流失概率预测 广告 vs. 新闻推荐 基于Hadoop EcoSystem的数据分析平台 CTR预估建模过程 用户兴趣建模 用户兴趣建模流程 Spark带来的改善
携程客户流失概率预测 赛后总结
weixin_30301449的博客
09-04 945
这次和一群好友在科赛网上参加了携程的客户流失概率预测比赛，最终33名完赛，虽然依然是渣渣成绩，但又认识了好多大神，学到了不少东西。 这次这个比赛其实难点还不少，首先就是评分规则与众不同，本来以为会用AUC或者F1 score之类的，但官方用的是precision≥97%下，recall的最大值。起初也不知道如何自定义metric，只能用一些默认的，跟线上完全对应不起来，很摸瞎。 一...
Python 银行信用卡客户流失预测
sixqingfeng的博客
06-15 1088
越来越多的客户不再使用信用卡服务，银行的经理对此感到不安。如果有人能为他们预测哪些客户即将流失，他们将不胜感激，因为这样他们可以主动向客户提供更好的服务，并挽回这些即将流失的客户。该数据集由10,000个客户组成，其中包含了他们的年龄，工资，婚姻状况，信用卡限额，信用卡类别等。不过，这里面只有16%的客户是流失的，因此拿来预测客户是否会流失有点难度。在Python实用宝典后台回复 预测客户流失 下载这份数据和源代码。开始之前，你要确保Python和pip已经成功安装在电脑上。(可选1) 如果你用Python
互联网服务客户流失分析（个人练习+源代码）
jidongdaoshi的博客
01-29 2554
互联网服务客户流失分析（个人练习+源代码）
毕业设计-基于python实现的爬取携程景点数据和评论数据+源代码+文档说明.zip
最新发布
09-01
该资源内项目源码是个人的毕设或者课设、作业，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96.5分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载...
毕业设计-基于python实现的爬取携程景点数据和评论数据+源代码+文档说明
01-09
基于python实现的爬取携程景点数据和评论数据+源代码+文档说明 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心...
基于Python机器学习的携程用户流失预警模型源码+详细部署文档+全部数据资料（高分项目）.zip
04-22
基于Python机器学习的携程用户流失预警模型源码+详细部署文档+全部数据资料（高分项目）.zip基于Python机器学习的携程用户流失预警模型源码+详细部署文档+全部数据资料（高分项目）.zip基于Python机器学习的携程用户...
携程/榛果民宿实时评论挖掘软件，包含数据的实时采集/数据清洗/结构化保存/ UGC 数据主题提取/情感分析等+源代码+文档说明
03-08
该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目...
KNN算法预测客户是否流失代码.pdf
07-11
KNN算法预测客户是否流失代码.pdf 学习资料 复习资料 教学资源
基于数据挖掘的客户流失预测实证研究
07-25
本文研究的客户流失数据集具有典型的非平衡数据问题，客户流失对象为网 络招聘行业的企业客户。全球网络招聘方兴未艾，据统计全球每天约有2000 万 条就业信息发布，3000 多万人在互联网上发出求职简历，2006 年全球招聘市场 规模为172 亿美元。在中国，2007 年网络招聘市场规模为9.7 亿元，2008 年12.5 亿，预计2009 年将达到16.1 亿元。网络招聘巨大的市场规模，良好的利润前景 催生了新的专业化、行业性、地方性的招聘网站的诞生，同时也加剧了网络招聘 行业的激烈竞争。
电信企业客户流失预测模型
06-08
电信企业客户流失预测模型 很好
携程订单预测及损失评估体系
02-27
携程订单预测及损失评估体系 一个很好的学习评估和预测体系的资料
基于数据挖掘的客户流失预测模型的建立.nh
08-12
基于数据挖掘的客户流失预测模型的建立.nh 基于数据挖掘的客户流失预测模型的建立.nh
svc预测概率_携程客户流失概率预测
weixin_39519554的博客
12-20 799
携程作为中国领先的综合性旅行服务公司，每天向超过2.5亿会员提供全方位的旅行服务，在这海量的网站访问量中，我们可分析用户的行为数据来挖掘潜在的信息资源。其中，客户流失率是考量业务成绩的一个非常关键的指标。此次竞赛的目的是为了深入了解用户画像及行为偏好，找到最优算法，挖掘出影响用户流失的关键因素，从而更好地完善产品设计、提升用户体验！一、数据来源及说明此次使用训练集数据userlostprob_tr...
Python数据分析高薪实战第十二天 网络服务用户流失预测分析和国产电视剧评分预测分析
fegus的博客
05-05 1440
29 综合实战：网络服务用户流失预测与分析 绝大多数互联网公司都面临一个非常重要的问题：用户流失问题。随着互联网和移动互联网的充分发展，发展新用户（也就是一般所说的拉新）的成本越来越高，往往要几块或者几十块的成本才能发展出一个新用户。 但如果用户在使用服务的时候觉得不开心就不用了，那就算流失用户。流失用户对公司会带来非常直接的损失，所以最大可能地减少用户流失就成为互联网公司的重要命题。常规的提升产品的使用体验，提供更多用户喜欢的功能是一个方向。 另一方向就是识别出潜在的流失用户，发放一定的权益或者红包让他
机器学习每周挑战——客户流失数据预测
qq_60688380的博客
04-30 931
读入数据，同时导入需要用到的数据库对于数据的处理，我们可以发现前三列都是类似于ID的数据，对我们数据的分析没有任何用处，因此我们将前三列数据删除。# 客户细分：依据客户的人口统计特征、金融行为及产品偏好等信息，划分出具有不同流失倾向的群体，为精细化营销与服务策略提供依据。# 探索性数据分析：通过多维度客户数据的深度挖掘，揭示潜在关联、趋势与异常，直观呈现客户特征与流失风险之间的内在关系。# Geography 客户所在的国家或地区，提供有关流失的地理趋势的见解。# Gender 客户的性别。
Python项目实践-客户流失预测
weixin_45064713的博客
01-05 4903
一、概述1.1 项目背景： 客户是企业的重要资源，也是企业的无形资产，客户的流失，也就意味着资产的流失，因此进行流失分析是十分重要的，进行客户流失分析的目的，就是阻止或者避免客户的流失，特高企业的盈利水平和竞争力。1.2 目的： 深入了解用户画像及行为偏好，挖掘出影响用户流失的关键因素，并通过算法预测客户访问的转化结果，从而更好地完善产品设计、提升用户体验。1.3 数据说明： ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值