基于KMeans的广告营销效果分析

一、项目背景

在媒体信息碎片化、用户行为移动化、需求个性化的大环境下，企业不仅需要靠自身产品和技术实力赢得用户关注度，还需要掌握有效的推广及营销策略以扩大知名度。此外，随着营销成本的与日俱增，越来越多的企业提出了精准营销的需求，企业希望每一个用户行为的记录都能被转化成客户，为下一步业务讨论和数据分析提供支持。这种用户行为的记录数据，在互联网、广告、电商等行业通常被称为“流量”。流量数据的分析与运营能够使企业的数据仓库不再是“数据坟墓”，最大化企业的营销正向效果，从而高效实现用户增长。

二、数据概述

本项目数据来源某公司的营销部门，包含了营销数据、网站分析系统数据和运营系统数据。公司投放广告的渠道众多且效果不同，现公司想要了解不同类别广告媒体的营销效果，以完成成本最小化、广告效果最大化的目标。

源数据共有889条数据记录，除了渠道代号外，有12个属性。源数据存在缺失值和异常值，属性解释如表所示。

属性名	说明	数据类型
渠道代码	唯一性标志	object
日均UV	每天从一个渠道 中 带来的一个访客	float64
平均注册率	每天平均注册的用户数量/平均每日的访问量	float64
平均搜索量	平均每个访问的搜索次数	float64
访问深度	总页面浏览量/平均每天的访问量	float64
平均停留时间	总停留时间/平均每天的访问量	float64
订单转化率	总订单数量/平均每天的访问量	float64
投放总时间	每个广告媒介在站外投放的天数	float64
素材类型	包括jpg、gif、swf、sp	object
广告类型	广告投放类型，包括banner、tips、横幅、通栏、暂停及不确定	object
合作方式	包括roi、cpc、cp、cpd	object
广告尺寸	每个广告投放的尺寸大小	object
广告卖点	广告素材上主要的卖点诉求信息，包括打折、满减、满赠、秒杀、直降、满返	object

三、项目技术

1. 数据预处理：Max-Min标准化、利用LabelEncode进行字符串转换、相关性分析、缺失值处理、数据合并
2. 数据建模：KMeans聚类算法、基于最优数据尺度确定最佳K值、利用平均轮廓系数评估聚类效果
3. 数据可视化：使用Matplotlib绘制雷达图

四、代码实现过程

（一）数据获取

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt #导入绘图包 
from sklearn.cluster import KMeans  # 导入sklearn聚类模块 
from sklearn import metrics  # 导入sklearn效果评估模块 
from sklearn.preprocessing import MinMaxScaler,LabelEncoder #导入数据预处理模块 
#数据获取 
data=pd.read_table("ad_performance.txt",delimiter='\t') 

（二）数据预处理

#数据预览 
print(data.tail().T) #打印末尾五条数据，T进行行列转置 
print(data.dtypes) #查看各列的数据类型 
explore=data.describe(include='all').T #指定include='all'对所有类型的数据做描述性统计 
explore['null']=len(data)-explore['count']#查看缺失数量 
explore=explore[['null','max','min']]  
print(explore) #查看缺失值、最大值、最小值 
>>>       null      max   min 
渠道代号      0      NaN   NaN 
日均UV      0  25294.8  0.06 
平均注册率     0   0.0391     0 
平均搜索量     0    1.037     0 
访问深度      0  98.9799     1 
平均停留时间    2  4450.83  1.64 
订单转化率     0   0.2165     0 
投放总时间     0       30     1 
素材类型      0      NaN   NaN 
广告类型      0      NaN   NaN 
合作方式      0      NaN   NaN 
广告尺寸      0      NaN   NaN 
广告卖点      0      NaN   NaN 
#查看值域 
col_names = [] # 定义要查看的列 
for col_name in col_names: # 循环读取每个列 
    unique_value = np.sort(raw_data[col_name].unique()) # 获得列的唯一值 
    print('{:^50}'.format('{1} unique va