如何找到具有重复购买行为的用户和潜在用户

企业如何找到具有重复购买行为的用户，减少损失成本，比如企业预算有限，使用短信触达1000名用户，一条短信0.2毛，如果前期有过相关测试数据，找到对短信作出回应的用户特征，通过分析，这类精准用户为500人，那么就可以节省100元，获得比较高的产出比。
一、数据处理逻辑
1、首先要把我们的数据处理成机器语言可以识别的数据。重复购买用户肯定是有多次购买记录的，所以就要用到交易表的数据，那么多少次算是重复购买的用户呢？这个数值可以根据企业实际情况去定，这里小栈为了说明方法，把有2次以上购买的用户定义为重复购买用户。
2、当数据处理完成，就需要进行编码，将具有重复购买行为的用户编码为1，不具有的编码为0，其他类型数据也需要进行编码，在下面的案例中会进行讲解。
3、模型训练，这边使用了Logistics模型进行回归和预测，对于模型不过多的展开，更多的是和大家分享应用。
二、案例分析
本案例拿到了某天猫的买家信息表，与上一篇的交易明细表上的用户是可以对上的。买家信息表里有买家ID，性别，年龄，省份，城市和信用等级

1、进行数据处理与整合

import pandas as pd
from sklearn.linear_model import LogisticRegression
df = pd.read_excel(r'C:\Users\didi\Desktop\卖家交易表.xlsx')
df1 = pd.read_excel(r'C:\Users\didi\Desktop\买家表信息表.xls')
df = df.groupby('buyer_id').agg({'price':'count'})
df.reset_index()
df2 = pd.merge(df1,df,on = 'buyer_id',how = 'left')
df2.rename({'price':'count'},inplace =True,axis = 1)

可以看到这个数据里面具有缺失值，需要进行处理，大家为了方便也可以直接删除。

df2.fillna(method = 'ffill',inplace =True)

另外可以看到省、城市和信用等级都是属于名义字段，需要进行特征编码。
为了让机器进行识别，不是连续性变量，如名义变量一般使用one-hot独热编码；可以比较大小的名义变量可以使用label进行编码，如信用等级。

#get_dummmies独热编码，也叫哑变量变换
data = pd.get_dummies(df2,columns= ['buy_prov','buy_city'],prefix = ['buy_prov','buy_city'],drop_first= True)
#label编码
label = dict(zip(data['buy_cred'].unique(),[2.1,1.3,1.2,1.5,1.4,2.2,2.3,2.4,1.1,0,0,2.5,3.1]))
list =[]
for  i  in data['count'].unique():
    if i == 1:
        list.append(0)
    else:
        list.append(1)
label1 = dict(zip(data['count'].unique(),list))
data['buy_cred'] = data['buy_cred'].map(label)
data['count'] = data['count'].map(label1)
#将类别和特征分开
list1 = data['count'].astype('category')
data.drop(['buyer_id','count'],inplace = True,axis = 1)

2、模型建立与预测
使用Logistics进行模型的学习与预测。
补充知识：混淆矩阵是分类模型评判指标之一，一般来说会去看准确度，精确度和灵敏度（也叫召回率）

#先将数据分成训练和测试数据
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import sklearn.metrics as metrics
import seaborn as sns
import matplotlib.pyplot as plt
xtrain,xtest,ytrain,ytest = train_test_split(data,list1,random_state =1)

#由于数据样本的类别为0的量特别多，会影响预测结果，所以对数据进行权重分配
model = LogisticRegression(C=0.3,solver='sag',class_weight='balanced')
model.fit(xtrain,ytrain)
ypre = model.predict(xtest)
d = metrics.confusion_matrix(ytest,ypre,)#混淆矩阵
fig = plt.figure()
ax1 = fig.add_subplot()
sns.heatmap(d,annot =True,ax =ax1)
a = metrics.recall_score(ytest,ypre)#召回率
b = metrics.accuracy_score(ytest,ypre)#准确度
print(a,b,d)

其实可以看到这个模型准确率不高，可以试着调整模型的参数，另外可以看到召回率为50.83%，这个值在企业中算是挺高的了，在实际中会把这个值叫作响应率，针对这些预测为重复行为的用户，发一次活动或策略出去，会有50.83%的用户进行响应。在企业来看，那么这个响应率多少合适呢，这边有一个公式：响应率>= 获客成本/获客利润。
同时我们也可以去看每个用户成为类别0和1的概率有多少，作为筛选精准用户的另一个参考指标，为什么会有这种类型概率指标存在呢？，这是和Logistics模型使用sigmod核函数有关。

pd.DataFrame(model.predict_proba(xtest),columns=[0,1])

三、总结
最主要的问题是如何对数据预处理，处理成机器可以识别的编码；模型来说，可根据大家的选择来做，哪个模型比较切合实际业务，就用哪个，模型越简单越好。
另外，对于潜在用户的分析，逻辑思维差不多，首先需要有初步的测试数据，找到具有响应用户的特征，然后进行模型模拟和预测。
已开通微信账号，欢迎关注数据分析小栈交流，如需本案例的数据可以联系：