手把手教你轻松搞定高精度的消费者数据分析和预测

消费者数据分析，一直是众多企业最基础也是最重要的数据工作。如何做高精度的消费者数据分析和预测？这篇文章把这个问题讲透。

这里我们使用天池开放的数据资源（Baby Goods Info Data，资源地址： https://tianchi.aliyun.com/dataset/dataDetail?dataId=45）里下载了两个csv的数据：

1. Tianchi_mum_baby.csv（儿童信息）
2. Tianchi_mum_baby_trade_history.csv（交易记录）

作为体验该软件的样例数据。表结构如下2图所示。

表1 儿童信息

列名	描述
user_id	整数类型，用户ID
birthday	时间类型，出生年月日
gender	性别（“0”是女，“1”是男，“2”是未知）

表2 交易记录

列名	描述
auction_id	整数类型，交易ID
user_id	整数类型，用户ID
cat_id	整数类型，品类ID
cat1	整数类型，基础品类ID
property	文本类型，商品相关属性
buy_mount	整数类型，购买数量
day	时间戳，交易日期

通过两个表的数据，实现“根据用户购买的儿童用品交易记录预测儿童的年龄”。

后续就可以基于预测的结果向用户推荐该年龄段可能需要的商品，促成更多商品销售，用数据分析提升产品转换。笔者所使用的软件是Yonghong Desktop，最终实现做成了一幅可视化报表，如下：

接下来我们就来一起学习下，如何利用这些数据来实现分析与预测吧~

一、做好基础准备——数据的导入与探索

数据导入

数据源的格式为CSV格式，直接在Yonghong Desktop上选择下图1这个功能上传数据即可形成数据集。

图1 CSV数据导入功能

导入后的数据集分别存放在如下位置：

图2 导入的原始数据集

数据探索

在Yonghong Desktop 上“深度分析”模块创建一个新实验，将数据集“baby”、“baby_trade_history”拖入画布，在右侧查看各个数据的元数据、探索数据功能。

可以发现：

“baby”数据集的user_id字段唯一值数量为953个，“baby_trade_history”数据集的user_id字段唯一值数量为29944个，因此只有3.18%的用户关联有baby数据的。“baby_trade_history”数据集的property字段是关于购买商品的属性信息且均已脱敏，无法知道其具体含义。

这么多的交易记录都查不到对应的儿童信息，我的想法是通过有儿童信息的交易记录，经过模型构建推理剩下那些交易记录对应的儿童信息。

二、简单五步——轻松完