分析和挖掘常用方法
聚类分析 回归分析 分类分析 常用分析手段
不同方法内在业务联系
-
聚类分析
-
用户是那些群体组成的
-
-
-
回归分析
-
未来销售趋势预测
-
营销投入如何影响销售
-
-
分类分析
-
筛选出更值得营销的用户
-
-
其他分析手段
-
关联分析
-
异常检测分析
-
聚类分析
-
聚类就是把相似特征的划分一个类别 经常用于数据探索和挖掘前期 没有之前经验的背景下 也是用与样本量比较大的时候
-
常用语客户分群 目的就是为了用户分组组内用户特征显示 不用组用户特征差异明显
-
客户分群的数据维度：行为习惯数据 对产品态度 自身的人口统计学特征 顾客消费的行为的度量（rfm）等数据
-
聚类分析能解决的问题
-
数据集分为几类
-
每个类别有多少样本
-
不用类别中各个变量的强弱关系如何
-
不同类别的典型特征是什么
-
-
基于聚类的客户分群 能帮助我们更清楚的人事客户
-
凭借经验和限制数据人事客户是很模糊的
-
采用聚类方法明确区分了不同客户特征 对用户的认识清晰 对客户有清晰的认识：1.可以为不同客户群提供定制化的产品或者服务 2.设定品牌的主要形象地位 3. 根据顾客需求 挖掘新的产品和服务的机会 有一个旅游类的APP 利用以往数据对不用客户的差异化运营策略从 针对性的指定旅游产品
-
-
聚类非常注重落地效果 -聚类后用户分群有明显特征 -聚类用户分群有足够的用户
-
分群之后用户是否能触达 结果必须要可操作 如果用户不触达 没联系 也没有意义了
-
做好用户分群需要充分的用户信息 累积对自己有用的有效客户信息
-
-
聚类是要注意的问题
-
k均值（k-means） 聚类中常见的方法 基于点与点距离的相似度来计算最佳类别对数 但是k均值在应用之前一定注意两种数据异常 1.（就算是极大值极小值这样的，在散点图中因为他有问题，一般就是数据处理好的）异常值能明显改变不同点距离的相似度 并且可能是非常显著的 异常值处理是不可少的 2.数据的异常量纲 不通维度变量之间 存在数据规模或者是异常量纲差异 那么做距离之前需要行将变量归一化标准化 比如数值区间1,0 金额可能是1,100000000000 数量是1,1000 相似度肯定是要收到金额影响的
-
数量过大时候不适合用k-means 算法稳定性、效率、准确率表现非常好对大量的数据时候也是这样 算法时间复杂度能承受 nkt 样本量聚类数迭代次数 聚类数迭代不变时 k均值消耗时间就跟样本量有关 一次会呈线性增长趋势 面对海量数据时候面临严重的结果延迟 尤其是当k均值被用作实时性或者准时性的数据预处理 分析和建模时候 这种瓶颈很明显
-
解决k-means这个问题出现了迷你Barchkmeans 它好处是不用使用所有的数据了 而是在不同类别里面抽取一部分样本 而非全部样本
-
回归分析
-
最简单的回归模型是一元线性回归 表示为Y=β0+β1x+ε 其中Y为因变量，x为自变量，β1为影响系数，β0为截距，ε为随机误差。很想方程式
-
回归分析是常用的统计分析方法 可用于分析自变量和因变量的影响关系 也可以分析自变量对因变量的影响方向（正影响还是负影响）
-
回归分析主要的应用场景是进行预测和控制计划制定 KPI制定 目标制定 也可以基于预测的数据预实际数据进行对比和分析 确定时间的发展并给未来的提供方向性指导
-
常见的回归算法包括线性回归 多项式回归等
-
回归分析的有点是数据模型和结果便于了解 线性回归 y = ax+b形式表达 在解释和理解自变量的与因变量关系相对容易 基于函数的业务直接套用就可以 用起来很容易
-
回归分析只能分析少量变量之间的关系 无法处理变量之间的相互作用关系 尤其是变量共同因素对因变量的影响程度
-
回归分析的场景
-
投放的广告对最终的销售所产生的效果研究
-
投广告的营销渠道
-
回答出1.各个营销渠道如何互相营销促进销售2.如何调整营销组合使每一份支出获取最大收益3.同时在不同渠道进行广告营销，哪个效果更明显
-
营销量 = 营销变量 + 误差因素
-
营销变量和销售变量之间是线性关系
-
回归分析模型：销售额 =93765+0.3* 百度+0.15 * 社交媒体+0.05 *电话直销+0.02 * 短信
-
-
回归分析的结果，着重于不同X对于Y影响的对比，直接预测Y的场景较少
-
-
回归分析的分析流程
-
数据概况分析 单边量分析（金融风控里面） 相关性分析与可视化 回归模型的建立
-
-
在结果出来时候要注意应用模型是研究自变量是否从产生了变化
-
是否产生了新的因变量影响更大的自变量 也就是遗漏变量模型肯定是不能反映问题的 而且参数还有偏的
-
也需要重新评估问题的发生 比如正常买的但是现在做活动了 没有纳入模型中 原来的回归模型无法有效的预测
-
还有就是自变量控制在可控范围内 不能说是1000内的预测来个变量2000
-
-
回归算法按照自变量分为一元和多元 按照线性分为非线性 和线性
-
入门的开始——简单线性回归。如果是学习为主，那么不需要选择多么强大的模型，基于最小二乘法的普通线性回归最合适；同时，它适合数据集本身结构简单、分布规律有明显线性关系的场景。
-
如果自变量数量少或经过降维后得到了可以使用的二维变量（包括预测变量），那么可以直接通过散点图发现自变量和因变量的相互关系，然后选择最佳回归方法。
-
如果经过基本判断发现自变量间有较强的共线性关系，那么可以使用对多重共线性（自变量高度相关）能灵活处理的算法，例如岭回归。
-
如果在高维度变量下，使用正则化回归方法效果更好，例如Lasso、Ridge
-
如果要同时验证多个算法，并想从中选择一个来做好的拟合，可以使用交叉检验做多个模型的效果对比，并通过R-square、Adjusted R-square、AIC、BIC以及各种残差、误差项指标做综合评估。
-
如果注重模型的可解释性，那么容易理解的线性回归、多项式回归比较适合。
-
分类分析
-
分类算法通过对已知类别训练集的计算和分析 - 从中发现类别规则并预测新数据的类别。分类算法是解决分类问题的方法，是数据挖掘、机器学习和模式识别中一个重要的研究领域。分类和回归是解决实际运营问题中非常重要的两种分析和挖掘方法。
-
常用的分类算法包括朴素贝叶斯、逻辑回归、决策树、随机森林、支持向量机等。
-
分类的主要用途和场景是“预测”，基于已有的样本预测新样本的所属类别，例如信用评级、风险等级、欺诈预测等。分类算法也可以用于知识抽取，通过模型找到潜在的规律，帮助业务得到可执行的规则。
-
