电商数据分析之如何召回流失用户

文 | 商业智能BI相关文章 阅读次数:1,032 次浏览
2023-09-14 11:39:04

第1️步:明确问题背景及分析目的
电商数据用户流失分析主要是通过分析用户特征,寻找对用户流失影响较大的用户特征,根据电商领域业务知识,提出产品/平台的运营建议,从而提高用户粘性,降低用户流失率。
第2️步:确定电商数据用户流失分析思路
详细分析思路见图。
第3️步:确定电商数据用户流失分析工具+清洗缺失数据
数据分析工具:FineBI
数据集:直播电商数据集
缺失值处理
缺失值处理是对数据中的空值进行删除或者填充,简单的处理方法有直接删除、均值填充、中位数填充、众数填充和特殊值填充,更复杂的有插值填充、Knn均值填充等,这里不进行介绍。
(1)判断某指标的缺失值
(2)处理缺失值
▪️ Step1:新增列“仓库到顾客地址_中位数”
▪️ Step2:新增列“仓库到顾客地址_公里”

第4️步:用户特征探索性分析
用户维度特征分析
用户维度特征,即描述用户的特征,包括常用登陆设备、城市等级、性别、年龄、婚姻状况、上月首选订单类型。
用户行为特征分析
用户行为特征,是用户在平台上的行为数据,通过分析各行为特征指标流失用户和非流失用户的均值,差异较大的特征指标为影响用户流失情况明显的指标,分析这些特征。

第5️步:用户特征相关性分析
生成哑变量
哑变量也叫虚拟变量,引入哑变量的目的是将不能定量处理的变量(如性别、职业等)量化。
计算相关系数
用户流失标签的相关系数绝对值越大,与用户流失相关程度越高;>0.7为强相关,<0.3为弱相关,相关系数为正,与用户流失为正相关,否则,为负相关。
第6️步:模型建立与优化
模型建立与模型评估
对数据进行缺失值处理和生成哑变量后,就可以建立机器学习模型,对数据进行挖掘分析。
如果特征较多,需要进行特征提取,常用的特征选择方法有:相关系数过滤法、递归消除法、主成分分析法等,生成哑变量后共有29个特征,并不算多,因此没有进行特征提取。
整理各模型在默认参数下的ROC得分,导入FineBI进行分析。
模型优化
模型优化是个枯燥且需要耐心的过程,主要是寻找最优的模型参数,使得模型的准确度最高。这里用最常用且简便的GridSearch网格搜索寻找模型的最优参数。

电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数 电商数据用户流失分析,生成哑变量,相关系数

很显然在目前的信息时代,借助类似于FineBI的这些工具,可以让企业加速融入企业数据分析的趋势。备受市场认可的软件其实有很多,选择时必须要结合实际的情况。一般的情况下,都建议选择市面上较主流的产品,比较容易达到好的效果,目前企业数据分析BI软件市场占有率前列的,就是帆软BI软件——FineBI。

电商数据用户流失分析,生成哑变量,相关系数

商业智能BI产品更多介绍: www.finebi.com

相关内容

立即体验 立即体验

在线客服

电话咨询

技术问题

投诉入口

返回顶部