金融理财广告牌精准投放大数据模型.docxVIP

金融理财广告牌精准投放模型 7.1 背景与挖掘目标 随着我国经济的快速发展,人们生活水平提高、收入大幅增加，个人对所增加的财富如何进行更好的管理和运用，越来越成为人们所关注的焦点。而且近些年，众多金融理财平台的兴起和快速发展以及众多个人投资理财产品的推出，也表现出人们渴望通过金融理财产品实现资产的合理配置和财富的增值、保值。 然而，现实生活中往往存在着信息不对称的现象，使得这些对理财感兴趣的客户群体无法及时获取金融理财方面的相关信息，而且金融理财的相关企业也难以精确定位目标客户群的活动范围和区域，无法对这些潜在的需求客户进行个人投资理财产品的精准投放。另外，传统的广告投放往往是漫无目的的，或者是挑人流量众多的商圈地域进行投放，但其针对的客户群体广泛且并非是有价值的目标客户，其投放广告的目标客户的精准度低必然导致广告投放开销大，营销效益低。所以，寻找对理财感兴趣的潜在客户群体的热门聚集地，从而进行金融理财信息以及个人投资理财产品的精准投放，对于金融理财企业来说尤为重要，不仅能够提升金融理财公司的广告效益，降低其广告投放的成本，还能通过对潜在需求客户的精准广告投放达到最大化的营销价值，从而实现公司业绩。 表0-1给出了联通用户的上网行为数据，记录了2015年12月份-2016年1月在上海市内环四个商圈内活动的不同用户访问网站的次数（其中使用APP的PV（PageView）为用户使用APP过程中的浏览页面数，不同的APP的统计口径有一定差别）。部分用户上网行为数据如表0-1所示。 表0-2给出了每个用户每天的时空行为数据，共50个字段，除去时间与iemi共48个字段，即该用户24小时的经纬度坐标。地理空间是200m*200m的区域，坐标是每个区域的中心点。部分用户时空数据如表0-2所示。 结合上述数据，本次数据挖掘建模目标如下： ?从线上信息的浏览归纳出不同客户的对金融理财的个体偏好特征，构建模型对客户进行分类，识别对金融理财感兴趣的重点和潜在客户群。 ?进一步对重点和潜在客户群的时空轨迹进行定位，确定热门聚集地和聚集时点，从而为金融理财产品广告牌的精准营销和投放提供理论依据。 7.2 分析方法与过程 本案例的挖掘目标是对金融理财感兴趣的客户群聚集地的识别，就要通过联通用户的线上浏览行为数据筛选出对与金融理财相关的指标信息，挖掘出金融理财的目标客户群，再关联其线下的轨迹移动得出其现实的时空偏好，进而寻找对金融理财感兴趣的群体的热门聚集地，从而进行金融理财产品广告牌的精准营销和投放。 本案例提供的用户上网行为数据包含了每个月银行短信通知次数、使用汽车类APP的PV数、使用理财类APP的PV数、使用股票类APP的PV数等23个属性变量，依靠这么多的属性变量并不能很好将对金融理财感兴趣的目标客户群分离出来，针对这种情况，本案例需先筛选出与金融理财相关的属性指标，再运用数据挖掘技术进行进一步的数据清洗处理过程，形成建模数据。最后通过K-means算法构建对金融理财感兴趣的目标客户群的识别模型，得到目标群体关联其时空轨迹数据，再进行上班、午饭以及下班时间的时点抽取，缺失值填补等数据预处理过程，最后画图分析这些目标客户群的时空偏好。 对金融理财感兴趣的客户群聚集地的识别流程如图0-1所示，主要包括以下步骤： 1)对用户上网行为数据进行数据预处理，包括属性规约，数据清洗与数据变换； 2)通过K-means聚类对客户进行细分，筛选出对金融理财感兴趣的重点和潜在客户群； 3)将上述客户关联其时空数据并对数据进行预处理，包括缺失值，重复值以及去除周末日期的处理。 4)划分客户群的时间窗，画图观察归纳不同时间窗客户的热门聚集地和聚集时点。 图0-1金融理财广告投放区域识别总体流程图 7.2.1 行为数据预处理 1.属性规约 由于用户上网行为的兴趣集数据中的属性过多，为了有效地识别对金融理财感兴趣的用户，需要先对兴趣集数据进行指标选取，这里选取使用理财类APP的PV数、使用股票类APP的PV数以及访问金融类网站的次数这三个与金融理财相关的属性。经过属性选择后的数据集如表0-3所示： 表0-3对金融理财感兴趣的客户特征 2.数据清洗 数据清洗的主要目的是从业务以及建模的相关需要方面进行考虑，筛选出需要的数据，剔除无关、重复的数据，处理异常值，缺失值等。本案例主要进行以下操作： ?缺失值检测和处理考虑到用户上网行为数据在抽取的过程中，很可能存在缺失的现象，为了达到较好的建模效果，需要对缺失值进行处理。在本案例中，检测到数据缺失的有916行。 ?删除重复值由于原始数据中可能存在重复的数据，即同一个用户拥有多条上网行为数据，因此在数据分析之前，可以将重复的数据进行过滤。通过检测，该数据集中存在多个重复观测，对每个用户求其均值得到一个观测数据之后，原始数据集个数从1