O2O优惠券使用预测

一、背景

通过分析用户线上线下的消费行为，建立模型，预测现阶段用户是否会在规定时间内使用相应优惠券，以便商家个性化投放，提高优惠券核销率。

数据为用户在2016年1月1日至2016年6月30日之间真实线上线下消费行为，预测用户在2016年7月领取优惠券后15天以内的线下使用情况。



我们的目标是要预测用户优惠券的线下使用情况，线上数据我们重点关注与用户相关的特征（是作为线下数据的一个辅助），线下我们关注的特征数据就比较多了：用户特征、商户特征、优惠券特征、用户商户组合特征、用户优惠券组合特征。

数据分析：
1、预测集中的用户，是线下训练数据集里出现过的用户，也就是老用户。
2、根据经验，我们知道活跃用户更可能使用优惠券，活跃商家所发出的优惠券更可能被使用，用户对某个商家的喜爱程度越高越可能使用这个商家发的优惠券
3、用户在周末更有时间更可能使用优惠券
4、预测集中的商家，几乎都是线下训练数据集中出现过的商家。

二、数据预处理

本题所有数据记录的时间区间是2016.01.01至2016.06.30,需要预测的是线下2016年7月份用户领取优惠劵后15天内是否核销。根据这两份数据表，我们首先需要对数据集进行划分（采用滑窗的方式），特征区间为3.5个月，预测区间为一个月。要保证滑到最后，测试集的预测区间正好是7月。也可以用其他的方式划分，特征区间越小，得到的训练数据集越多。

	特征区间（提取feature）	预测区间（预测label）
训练集	20160101~20160413	20160414~20160514
验证集	20160201~20160514	20160515~20160615
测试集	20160315~20160630	20160701~20160731

为什么要这样划分呢？第一，划分训练集和验证集，方便我们交叉验证；第二，我们的训练和预测是与时间有关系的，如果是用train_test_split随机划分，可能会导致训练数据是6月份，而预测数据却是5月份，这与现实是不符合的，这就是数据泄露：

数据泄露就是说用了不该用的数据，比如
(1)在训练模型时，利用了测试集的数据、信息
(2)在当前使用了未来的数据
(3)在交叉验证进行调参时，使用了验证集的信息参与模型建立
具体说下第三点，比如对特征进行标准化，正确的方法应该是在训练集上标准化，然后应用到验证集上，而非先标准化，再划分验证集。再比如说，要对数据进行pca降维，应该是在训练集上pca，然后作用到验证集上，而非对整个数据集进行pca。通常都忽略了这一点。

如果数据集划分的不好，可能会导致在训练数据上效果很好，线下测试也还不错，但是在线上表现却不好。

注意数据集的划分是不能只根据Date_Received(优惠券领取日期)来划分，否则划分出来的数据都是有优惠券的用户，没有领取优惠券的用户数据都被丢弃了。
因为我们要预测的是用户领取优惠券之后的使用情况，所以，预测区间可以根据用户领取优惠券时间来划分，特征区间麻烦一点，如果消费时间不为空，通过消费时间划分；如果消费时间为空，则根据优惠券领取时间划分。（不能单纯的用领取时间或消费时间划分，因为这两个时间都可能是空）

测试集的预测区间的划分是从ccf_offline_stage1_test_revised.csv中读取的。

#划分特征区间数据集,通过领取时间和消费时间
def filter_feature_data(data,start_time,end_time):
    return data[((data['Date'] > start_time) & (data['Date'] < end_time