电商数据分析之如何召回流失用户
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。
立即沟通
