根据历史数据预测未来数据_如何利用以往的营销数据来预测未来营销的结果？...

全文共 12174字，预计学习时长 25分钟甚至更长

摄影｜Anika Huizinga图源｜Unsplash

本文将为大家讲解如何针对数字营销中的广告曝光量来构建、训练以及评估预测模型。其中所有的技术都可用于解决其他回归问题，尤其是预测不同的性能指标，比如在产品上市前预估市场未来的销售状况，亦或者选定最佳参数，好比营销中的时间表或预算大小等。

用Python编写代码时，可以使用自己的营销数据或提供的数据集。除了所有源代码，本文还要给大家介绍一款简单好用的App，它能在买卖营销市场中预测广告曝光量、点击量以及产品交易的情况。

App获取: https://predictor.stagelink.com/

代码说明: https://github.com/kinosal/predictor

概述

1.要求

2.确立目标

3.准备数据集

4.初步浏览

5.数据预处理

6.训练模型

7.评估模型

8.预测下一轮竞争结果

9.福利：训练过的即用模板

要求

利用以往的营销数据来预测未来营销的结果时，通常来讲，数据越多(即营销次数越多)，预测结果就会越准确。准确的数据有赖于同性质的营销活动，不出意外的话会需要至少几百次的营销实例。此外，由于预测自己期望的未来营销结果时会应用到监督式学习技术，所以输入的内容要保持一致，即这些营销的规模和特征需相同。

如果现在没有合适的即用数据集也不要紧：可以下载一份含有本文提到的数据样本的CSV文件。

文件下载：https://github.com/kinosal/predictor/blob/master/model/impressions.csv

确立目标

说到成功的营销或营销业绩，我们真正关注的是什么？很明显，答案取决于特定的境况。本文会试着去预测单个营销活动的广告曝光量，同样，客户点击量及交易额也可预测出来，以便构成经典的漏斗式营销模型：

准备数据集

这里提供了一份表格，横向数据表示每次的活动信息，每列表示不同的方面，其中不只有想要预测的非独立变量，也包括独立变量和一些特征：

因为想要预测的营销活动尚未开始，所以在这种情况下，不会涉及任何性能数据，有的只是一些可观察到的特质。通常在事先不知道什么样的特征适合进行预测的情况下，本文推荐大家也去使用那些看起来与活动联系非常小的变量，再花些时间寻找或构建新的特征。尽管有些声音表示要减少特征的参考，但特征在之后的步骤中还是会经常用到的。

大家可以下载CSV文件，通过下列简单的函数操作将其存到一个Pandas数据框架中：

import pandas as pddata = pd.read_csv('impressions.csv')

初步浏览

在构建或训练预测模型之前，笔者都会先浏览一下数据，了解要处理的内容是哪方面的，辨识出的特性有哪些。样本数据可用来预测某一营销活动的广告曝光量，因为“曝光.csv”文件中每一活动都对应的有一行数据，其中各自的曝光量、度量标准以及不同类别的特征都可用来预测未来营销的曝光量。为了证实这一点，加载数据，呈现其数据形态，以及文件的前五行内容：

>>> data.shape(241, 13)>>> data.columnsIndex(['impressions', 'budget', 'start_month', 'end_month', 'start_week', 'end_week', 'days', 'region', 'category', 'facebook', 'instagram', 'google_search', 'google_display'], dtype='object')>>> data.head(5)impressions budget start_month ... google search google_display9586 600 7 ... 1 0...

第一列是非独立变量(即将预