大数据精准营销（五）

文章目录

前言

事实类标签构建

关键词匹配

分组聚合

规则类标签构建

从事实类标签进行延伸

RFM模型

预测类标签构建

特征提取

特征处理

训练集和测试集

预测模型：逻辑回归

文本类标签构建

文本标签的提取方法

描绘用户画像

---

前言

上一节已经完成了该精准营销的项目，这一节没什么好写的，心头一热就来写一写文字。来叙述一下如何构造客户标签体系。

---

客户标签体系构建

客户标签可以分为以下四种：

1）事实类标签:可以直接从客户交易记录中进行统计和计算的标签例如网购消费、餐饮消费、商旅消费等

2）规则类标签:规则类标签是在事实类标签的基础上，结合人工经验，对客户的某项指标进行的计算或归类例如RFM标签、是否休眠客户、是否有高端消费等

3）预测类标签:原始数据中不能直接提取，需要借助模型进行预测的标签例如客户价值等级

4）文本类标签:从客户交易记录的文本中提取的关键词也可用于描述客户偏好，将此部分关键词作为文本类标签例如彩票、儿童、孕妇、基金等

事实类标签构建

关键词匹配

      对某一列Series对象进行关键词匹配，使用contains()函数带入关键词进行匹配Series.str.contains(pattern，case=True)

分组聚合

      DataFrame中的groupby()函数将数据依照某一个属性进行分组DataFrame. groupby(by=None)

规则类标签构建

从事实类标签进行延伸

有无高端消费(high_consumption)

      取最大消费金额的上四分位数作为阈值。如果客户的最大消费金额大于该阈值，则将该客户定义为有高端消费（取值为1)，反之则无高端消费（(取值为0)

是否休眠客户(sleep_customers)·

      设定交易次数的下四分位数为阈值。交易次数小于阈值的客户则视为休眠客户，(取值为1)

      交易次数大于等于阈值的客户则视为活跃客户(取值为0)

RFM模型

RFM模型可以得出一定的规律性，整理这方面的标签有助于全方位了解客户，并决定在哪个时间段开展营销活动。

      消费频率和消费金额是了解产品是否受欢迎的主要考量依据，也是区分客户的重要标准。所以需要详细记录客户在这两个方面的信息，并对此进行分析。

在众多客户关系管理模型（CRM)中，RFM被广泛使用。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的购买时间、购买总体频率以及购买金额三项指标来描述该客户的价值状况。

      RFM模型较为动态地层示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值(甚至是终身价值)，通过改善三项指标的状况，从而为更多的营销决策提供支持。

      RFM分别是Rencency、Frequency、Monetary三个单词的缩写：

      Rencency 代表用户最近一次消费，假设购买时间越短，对产品及品牌印象度越高；

      Frequency 代表一定周期内用户购买的次数（消费频数），假设购买频率越高，对品牌忠诚度越高；

      Monetary 代表一定周期内用户的消费总金额，假设金额越高，给店铺创造的收入和利润越高

      RFM总得分:每个维度排序后等频划分为四组，每个组计算得分，最近一次消费(R)按时间得分:取值越小得分越高，消费频次(F)及消费金额(M取值越大得分越高，将每个客户对应的三个评分标记相加，作为客户RFM的总得分(Total_Score)

预测类标签构建

根据提取出的事实类和规则类标签建立模型，对没有客户价值等级标签的客户进行预测

      针对字符型特征，需要进行数值编码，以便模型能更好的处理数据，处理连续型数据可以将数据进行离散化，使模型对异常数据有更强的鲁棒性，同时也能降低模型运算复杂度，提升模型运算速度，将有客户价值等级的数据随机划分为训练集与测试集，训练逻辑回归模型。使用训练好的逻辑回归模型，对客户价值等级未知的客户进行预测

特征提取

      one-hot编码：

      onehot编码又叫独热编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。Onehot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

特征处理

等距离散化:

      根据连续型特征的取值，将其均匀地划分为k个宽度近似相等的区间

根据每个客户该特征的取值，相应地划入对应的区间，每个区间赋予一个标签

等频离散化:

      特征数据总量为n，将其划分为k个区间段，使得每个区间段包含的数据个数为”，离散化后区间内的数据量尽可能均衡，根据每个客户该特征的取值，相应地划入对应的区间，每个区间赋予一个标签

训练集和测试集

特征变量X:预测所需的特征，使用所有事实类和规则类标签作为X。目标变量y:需要预测的特征，客户价值等级为y

      Sklearn中的model_selection模块中的train_test_split()函数，用作训练集和测试集划分train_test_split(x,y,test_size = None , random_state = None)，x,y:分别为预测所需的所有特征，以及需要预测的特征(即客户价值等级)

      test_size:测试集比例，例如test_size=0.2则表示划分20%的数据作为测试集

      random_state:随机种子，因为划分过程是随机的，为了进行可重复的训练，需要固定一个random_state，结果重现。函数最终将返回四个变量，分别为X的测试集和训练集，以及y的测试集和训练集

预测模型：逻辑回归

逻辑回归引入Sigmoid函数，将连续型的输出映射到区间(0,1)，Sigmoid 函数如下所示

当输入x很大或很小时，该函数以接近于0或1的值输出

在逻辑回归中，若yiE{1,-1}，则输出可以解释为样本属于正类的概率

文本类标签构建

文本标签的提取方法

本项目中使用了两种文本特征提取方式，分别为CountVectorizer()和TfidfVectorizer():

      CountVectorizer()对于每一个训练文本，它只考虑每种词汇在该训练文本中出现的频数CountVectorizer会将文本中的词语转换为词频矩阵，它通过fit_transform()函数计算各个词语出现的次数。不考虑词法和语序，每个词语相互独立，建立一个词典用于构建特征向量，向量每个位置表示的单词与上面的数组一致，值为该单词在句子中出现的次数，第一个句子:[1，1，2，1，1，0，0]第二个句子:[0，1，2，1，0，1，1]

描绘用户画像

用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的一个标签化的用户模型。

      标签化的用户根据不同产品、不同目的，用户画像又分：品类用户画像，产品用户画像，品牌用户画像，用户行为轨迹画像，用户态度，价值观画像等。

      通过用户画像，我们能描述、认识、理解用户，进而为产品开发、用户服务、市场探索、品牌策略、营销方案提供决策支持。

      因此，需要用户画像的人很多。市场、运营、公关、产品、研发、销售都需要了解自己的用户。比如：同样是新闻类公众号，A的用户大多是20-40岁的年轻人，B的用户大多是40-60岁中年男性，他们推送内容的主题、风格必然大相径庭。