第9章 O2O优惠券使用预测《Python数据分析与挖掘实战》.pptxVIP

O2O优惠券使用预测;;在O2O消费模式运营局面下，优惠券的合理投放成为了现在商户经营店铺的一项考虑因素，某电商平台根据自身拥有的用户消费信息数据，查看用户领取优惠券后的使用情况。 随着移动设备的完善和普及，移动互联网+各行各业的模式进入了高速发展阶段，其中以O2O消费模式最为吸引眼球，将线上消费和线下消费进行结合。 O2O行业天然关联数亿消费者，各类APP每天记录了超过百亿条用户行为和位置记录，比如在美团点餐、滴滴打车、天猫购物或者浏览商品等行为都会被记录，因而O2O成为大数据科研和商业化运营的最佳结合点之一。;O2O消费对于用户而言，不仅可以使用户获得更为丰富、全面的商户及其服务信息内容，而且还可以使用户获得相对线下直接消费较低的价格；对于商户而言，可以获得更多、更好的宣传机会去吸引新用户到店消费，同时可以通过在线预约的方式合理安排经营节约成本。 在市场竞争十分激烈情况下，商户会想出各种各样的办法去吸引新用户，其中以优惠券盘活老用户或吸引新客户进店消费成为了O2O的一种重要营销方式，但如果投放优惠券的形式不恰当时，可能会造成一定的负面影响，例如，人们在生活中常常会收到各式各样关于优惠券或其他活动的短信或APP推送的信息，在大多数情况下，人们并不会去使用或在意这些优惠券，优惠券的随机推送并没有摸清用户的需要，此时会对多数用户造成无意义的干扰。同样的，对于商户而言，滥发的优惠券可能降低品牌声誉，同时还会增加营销成本。 个性化投放是提高优惠券核销率的重要技术，不仅可以让具有一定偏好的消费者得到真正的实惠，而且赋予商户更强的营销能力。;数据说明;名称;本案例的主要目标是预测用户在领取优惠券后15天以内的使用情况，为了将该问题转化为二分类问题，将领取优惠券后15天以内使用的样本标记为正样本，记为1；15天以内没有使用的样本标记为负样本，记为0；未领取优惠券进行消费的样本为普通样本，记为-1。 确定是分类问题后，结合用户使用优惠券的情景和实际业务场景，需要构建用户、商户、优惠券、用户和商户交互的相关指标，并根据这些指标构建分类模型，预测用户在领取优惠券15天以内的使用情况。;根据上述的分析过程与思路，结合数据特点和分析目标，主要包括以下步骤。 读取用户真实线下消费行为历史数据。 对读取的数据进行数据探索性分析与预处理，包括数据缺失值与异常值的处理、数据清洗、指标构建等操作。 使用决策树分类模型、梯度提升分类模型和XGBoost分类模型进行分类预测，并对构建好的模型进行模型评价。 ;O2O优惠券使用预测总体流程如图所示。 ;;原始数据集中包括用户ID、商户ID、优惠券ID、优惠券折扣力度、用户经常活动的地点与商户最近的门店距离等信息，需要对原始数据进行描述性统计分析、从多个维度进行探索性分析。 对训练样本、测试样本进行描述性统计分析，分别得到训练（左）和测试样本（右）的属性观测值中的空值数、最大值和最小值。 ;在上面两个表中，discount_rate属性为字符型，所以不存在最大值和最小值。 训练样本的优惠券ID、优惠率、领取优惠券日期空值的记录数一致，可能是因为一部分用户没有领取优惠券而直接到门店消费；而date属性的空值数比优惠券ID的空值数多，即存在一部分用户的消费日期为空而优惠券ID不为空，这可能是因为这部分用户是领取优惠券但没有进行消费；测试样本的优惠券ID、优惠率、领取优惠券日期和消费日期均存在空值。 ;由于原始训练数据中的discount_rate字段部分是以小数形式（如0.8、0.9等）存在的，表示折扣率，部分是以比值形式（如30:5、100:10等）存在的，表示满额减免，分别分析这两种优惠形式的分布情况。得到的结果如右图所示。 由图可知，满减优惠和折扣率优惠形式的优惠券在15内未被使用的比例相对较大，分别为94.1%、89%，满减优惠形式的优惠券在15天内被使用的比例仅为5.9%，折扣率优惠形式的优惠券被使用的比例为11%，说明大多数用户没有使用优惠券到店进行消费。 ;选取领取优惠券日期、消费日期这2个属性计算用户消费次数、领劵数和领券消费数，分析用户的消费行为信息。 统计各月份的用户消费次数，并绘制2016年各月份用户消费次数折线图。 由图可知，5月份用户消费次数最多，有可能是五一节假日商户投放优惠券的优惠率较多吸引用户消费。2月份处于低谷，可能是春节长假店铺休息导致。 ;绘制2016年各月份用户领优惠券次数和领券消费次数柱形图，如图所示。 由图可知，1月份用户领取优惠券的次数达到最高峰，可能是用户领取优惠券为春节囤年货做准备，其次是5月份用户领取优惠券数量，可能是为母亲节给母亲送礼物做准备。从用户领券消费情况看，虽然商户投放优惠券很多，但相对于投放的优惠券数量，用户很少使用优惠券到商户进行消费，说明出现了商户滥发优