大数据精准营销应用（四）

文章目录

目录

文章目录

前言

基于时间的商品兴趣度计算

基于消费金额的商品兴趣度计算

基于tf-idf的商品兴趣度计算

 数据归一化

商品兴趣度排行榜的综合计算

交易次数的可视化

交易金额的可视化 

目标客户筛选

---

前言

上一节我们实现了客户体系标签计算，这一节我们来实现精准营销的应用

---

基于时间的商品兴趣度计算

首先提取出文本附言，使用文本匹配的方法，将文本类标签提取出的文本附言的关键词作为匹配词，即text_list = '支付宝|网银|转账|信用卡|现金'，匹配出相对应的数据。接着按每个客户进行分组，以此来计算每个客户对文本附言基于时间的商品兴趣度。

基于消费金额的商品兴趣度计算

计算方法和基于时间的兴趣度类似，首先提取文本附言，使用文本匹配的方法，匹配出相对应的数据。接着按每个客户进行分组，将每个客户的消费金额进行加和，以此来计算每个客户对文本附言基于消费金额的商品兴趣度。

基于tf-idf的商品兴趣度计算

在前面我们已经使用TfidfVectorizer模型提取了文本标签的 tf-idf值，保存在了user_features表中，首先需要筛选出存放相关的文本标签tf-idf权重值的列。再从user_features表中选取消费文本标签的tf-idf 值，保存在变量lottery_tfidf中。最后计算每个客户的基于tf-idf的商品兴趣度(将lottery_tfidf按行求和)，保存在user_features表的tfidf_sum列中。

 数据归一化

在分别计算了客户彩票类消费的三个兴趣度之后，接下来要计算三个指标的加和来综合计算客户的商品兴趣度。三个指标的量纲不同，如消费金额兴趣度的数值要远远大于tfidf 和时间上的兴趣度，所以我们需要进行归一化，将三个指标的数据都缩放在（0,1)区间，统一它们的量纲。

      在之前已经计算并将三个兴趣度融合在了user_features表中，列名分别为time_penalty. tfidf_sum.payment_sum ，如下图所示：

进行归一化如下图所示：

商品兴趣度排行榜的综合计算

前面我们已经计算了基于时间、消费金额和tf-idf的商品兴趣度，三项指标均可以作为衡量客户在这一商品类别的兴趣度评价指标。但是单一用一个指标无法综合的衡量客户的消费情况，如有些客户消费金额低，但是消费频率高( tf-idf高)，时间距离近(时间衰减弱)，这些客户仍然具有很高的推销价值，所以我们将三个归一化后的指标进行相加，计算 final_score 以便于更合理的综合评估客户在这一商品类别的兴趣度。

交易次数的可视化

前一步中，我们已经计算出了客户彩票类消费的排行榜top10，现在我们通过画出前三位客户的交易次数折线图，以此来验证我们排行榜的正确性。

      从图中可以看出，top1在4月到7月之间的交易次数比较多而top2和top3都具有相同的购买频率，变化幅度不大。

交易金额的可视化 

和交易次数的可视化类似，通过画出前3位客户的交易金额来验证排行榜的正确性

      从图中可以看出交易金额起伏很大，没有规律性但这top3可以看出都是在同时上升或者下降，说明都交易金额差不多。

目标客户筛选

寻找目标客户进行广告投放是精准营销中的重要一环，通常来说，寻找的目标客户要有对产品与服务的需求。通过丰富的人群定向推送广告，实现精准投放。

在前面的分析中，我们以彩票类商品消费为例，计算出了客户兴趣度的排行榜，同理，我们可以根据文本标签划分出的几个类别对其他商品进行兴趣度排行的计算。在推销某类商品时，我们可以参考排行榜，针对性的选取排名靠前的部分客户，这是寻找目标客户的一种方式。

      另外一种方式为营销人员根据实际的业务需求，针对性的选取几个客户的关键特点，从数据库中精准查询到符合需求的目标客户。如我们要推销某出行app联名的分期信用卡，为200个目标客户推送广告，根据人为经验锁定目标的特征为;非休眠客户，有商旅消费的记录，有信用卡的使用记录，有消费分期的需求(使用记录)

      筛选出交易次数大于50且交易金额大于500的高消费非休眠客户。筛选结果如下图所示：

筛选出来的客户就是我们想要营销的最佳客户，后续针对这些客户进行营销活动，就完成了精准营销。

---

总结

这次项目通过数据获取和处理，交易行为分析，客户标签体系的构建与计算最后再到精准营销的应用，至此完成了一整个大数据精准营销项目，通过对数据的分析找到所需要的客户，是大数据在消费者行为分析方面的精准应用。