星巴克推送活动对客户影响有效性预测

简介和目的

1. 这个数据集是一些模拟 Starbucks rewards 移动 app 上用户行为的数据。每隔几天，星巴克会向 app 的用户发送一些推送。这个推送可能仅仅是一条饮品的广告或者是折扣券或 BOGO（买一送一）。一些顾客可能一连几周都收不到任何推送。我的任务是将交易数据、人口统计数据和推送数据结合起来，预测某个用户会不会受到app推送活动的影响。
2. 我的工作：首先对数据进行预处理，将用户数据和推送offer数据、交易数据合并到一起，然后对用户数据增加更多特征，最后通过深度学习，预测某个用户会不会受到app推送活动的影响，从而可以针对性的推送offer

评价指标

• 预测用户收到某个offer后是否会完成交易，属于分类问题，采用指标F_beta分数 （beta =2）：是通过权衡recall和precision之间的重要性的性能指标, 由于不希望给用户发垃圾推送 所以更关注召回率，beta =2 时认为召回率的重要程度是准确率的2倍。

第一步：特征工程

准备数据集

一共有三个数据文件：
portfolio.json – 包括推送的 id 和每个推送的元数据（持续时间、种类等等）
profile.json – 每个顾客的人口统计数据
transcript.json – 交易、收到的推送、查看的推送和完成的推送的记录
以下是文件中每个变量的类型和解释 ：
portfolio.json：
id (string) – 推送的id
offer_type (string) – 推送的种类，例如 BOGO、打折（discount）、信息（informational）
difficulty (int) – 满足推送的要求所需的最少花费
reward (int) – 满足推送的要求后给与的优惠
duration (int) – 推送持续的时间，单位是天
channels (字符串列表)

	reward	channels	difficulty	duration	offer_type	id
0	10	[‘email’, ‘mobile’, ‘social’]	10	7	bogo	ae264e3637204a6fb9bb56bc8210ddfd
1	10	[‘web’, ‘email’, ‘mobile’, ‘social’]	10	5	bogo	4d5c57ea9a6940dd891ad53e9dbe8da0
2	0	[‘web’, ‘email’, ‘mobile’]	0	4	informational	3f207df678b143eea3cee63160fa8bed
3	5	[‘web’, ‘email’, ‘mobile’]	5	7	bogo	9b98b8c7a33c4b65b9aebfe6a799e6d9
4	5	[‘web’, ‘email’]	20	10	discount	0b1e1539f2cc45b7b9fa7c272da2e1d7

profile.json
age (int) – 顾客的年龄
became_member_on (int) – 该顾客第一次注册app的时间
gender (str) – 顾客的性别（注意除了表示男性的 M 和表示女性的 F 之外，还有表示其他的 O）
id (str) – 顾客id
income (float) – 顾客的收入

	gender	age	id	became_member_on	income
0		118	68be06ca386d4c31939f3a4f0e3dd783	20170212	nan
1	F	55	0610b486422d4921ae7d2bf64640c50b	20170715	112000
2		118	38fe809add3b4fcf9315a9694bb96ff5	20180712	nan
3	F	75	78afa995795e4d85b5d9ceeca43f5fef	20170509	100000
4		118	a03223e636434f42ac4c3df47e8bac43	20170804	nan

transcript.json
event (str) – 记录的描述（比如交易记录、推送已收到、推送已阅）
person (str) – 顾客id
time (int) – 单位是小时，测试开始时计时。该数据从时间点 t=0 开始
value - (dict of strings) – 推送的id 或者交易的数额

	person	event	value	time
0	78afa995795e4d85b5d9ceeca43f5fef	offer received	{‘offer id’: ‘9b98b8c7a33c4b65b9aebfe6a799e6d9’}	0
1	a03223e636434f42ac4c3df47e8bac43	offer received	{‘offer id’: ‘0b1e1539f2cc45b7b9fa7c272da2e1d7’}	0
2	e2127556f4f64592b11af22de27a7932	offer received	{‘offer id’: ‘2906b810c7d4411798c6938adc9daaa5’}	0
3	8ec6ce2a7e7949b1bf142def7d0e0586	offer received	{‘offer id’: ‘fafdcd668e3743c1bb461111dcafc2a4’}	0
4	68617ca6246f4fbc85e91a2a49552598	offer received	{‘offer id’: ‘4d5c57ea9a6940dd891ad53e9dbe8da0’}	0