大众点评网健身房数据分析

一、项目描述

互联网行业的快速发展已经在各个方面改善了人们的生活。大众点评作为知名的独立第三方消费点评网站，为用户提供了商户信息、消费点评及消费优惠等信息服务。
我从大众点评网http://www.dianping.com/search/category/1/45/g147，爬取了752家健身中心的店名、位置、点评条数、人均消费额、设施评分（均分）、环境评分（均分）、服务评分（均分）、点评的均分、有无团购、有无停车位等数据（还可以采集标签等数据，这部分数据可选，但有可能影响分析效果），采用数据挖掘中的分类、聚类、关联或回归等方法（算法），对如下的问题做深入分析：

• 1.探究影响健身房营业效果的因素，并以某家健身中心Fitplus运动加&Denny House为例，为其制定市场推广策略。
• 2.某客户住在中山公园附近，对设施、环境和服务要求很高，且希望建设中心能提供团购服务，请为其推荐适合的健身中心。

二、数据分析工具

IBM SPSS Modeler、IBM SPSS Statistics

三、数据预处理

3.1 缺失值分析

FIG.1.缺失值分析.PNG

通过观察，原始数据的人均消费列和branch列存在空值比较多，考虑到branch（分店数量）不是主要研究因素，样本数量充足，属于完全随机缺失的情况，因此可以过滤掉人均消费为空值的记录。
同时，我们发现不同健身房人均消费数据的差距非常大，而且这些数据与其它影响因素没有必然联系。通过分析每家健身房里的用户文字评论，我们发现有无私教会极大的影响人均消费额，而这项数据无法通过爬虫获取得到。因此为了使数据更具有代表性，同时考虑到我们分析的四个问题都是面向高端健身房，我们过滤了所有人均消费额1000元以下的记录，最终的爬取结果如图1所示。

FIG.2.人均消费.png

3.2 人均消费离散化

为了简化数据结构，使分析结果更加稳定，需要将人均消费离散化，为了确定分割点，我做了描述统计并画出箱线图

FIG.3.人均消费统计描述.png

FIG.4.人均消费箱线图.png

最终以2000和4000为界限，把所有数据项分为“价格实惠”，“价格适中”，“价格昂贵”三类。离散的时候使用了内置的if-else语句。
添加导出节点并命名为”Price”，编辑公式为：if 人均消费<2000 then "价格实惠" elseif 人均消费<4000 then "价格适中" else "价格高昂" endif。如图所示：

FIG.5.price导出.png

3.3 评论条数离散化

由下图可知，评论条数的离散程度较高，异常值较多，所以我们将所有数据分成4个区间：20/50/100，把所有数据分为“评论少”、“评论较少”、“评论较多”和“评论多”四类（这里没有处理异常值，而是通过合理确定分割点来弱化异常值对分析结果的影响）。
添加导出节点并命名为” ReviewNum”，编辑公式为：if 评论条数<20 then "评论少" elseif 评论条数<50 then "评论较少" elseif 评论条数<100 then "评论较多" else "评论多" endif。

FIG.6.评论条数统计描述.png

FIG.7.评论条数箱线图.png

3.4 设施、环境、服务离散化

由下图可知，这三项的分布差别不大，均以 7/8 为界，分别把所有记录分为“一般”，“较好”，“好”三类。
添加三个导出节点，分别命名为 Facility，Environment 和 Service。编辑公式如下：
if 设施<7 then "设施一般" elseif 设施<8 then "设施较好" else "设施好" endif
if 环境<7 then "环境一般" elseif 环境<8 then "环境较好" else "环境好" endif
if 服务<7 then "服务一般" elseif 服务<8 then "服务较好" else "服务好" endif

FIG.8.设施服务环境统计描述.png

FIG.9.设施环境服务箱线图.png

3.5 商户评分离散化

我们爬取到的数据是商户的星级，根据各星级的分布情况，按照星级将评分分为“评分一般”、“评分较高”和“评分高”。
添加导出节点并命名为” Score”，编辑公式为：if member(rankstars,['五星商户','准五星商户']) then "评分高" elseif member(rankstars,['四星商户','准四星商户']) then "评分较高" else "评分一般" endif。

FIG.10.商户评分图.png

3.6 数据预处理总结

我们总共添加了6个导出节点，数据预处理的流程如下：

FIG.11.预处理流.png

预处理后的数据如下图所示，我们得到了经过离散的各项数据。

FIG.12.预处理后.png

四、探究影响健身房营业效果的因素

健身房的营业效果可以从客流量和顾客的平均打分两个方面来评估，而客流量与点评条数是基本成正比例的，因此我在本部分主要通过C5.0决策树来分析其他影响因素对平均得分（Score）和点评条数(ReviewNum)的影响。

4.1 探究影响点评条数的因素

我把影响因素分为两类：
（1）店家固有属性：位置，Price，有无团购、有无促销；
（2）用户体验：设施、服务、环境、点评分数。

4.1.1 店家固有属性

输入：位置、Price，有无团购、有无促销
目标：ReviewNum
决策树模型：添加一个C5.0节点，生成了一个三层决策树，其中影响最大的是所在位置，其次是价格，如下图所示：

FIG.13（a）.店家固有属性对评论条数的影响结果.png

FIG.13（b）.店家固有属性对评论条数的影响结果.png

从上图可以看出，在市中心繁华地段的健身房评论数较多，而偏远郊区评论数较少。Fitplus运动加&Denny House位于浦东新区，因此我们分析浦东新区的情况，其决策树如下：

FIG.14浦东新区.png

结论：Fitplus运动加&Denny House可以多提供一些特色团购服务，价格可以适中或高昂，走高端路线。

4.1.2 用户体验

输入：Facility、Sevice、Environment、Score
目标：ReviewNum
决策树模型：按照上一节中提到的方法，这里生成了两层决策树。其中影响因素重要性最高的是点评分数，达到了61%，然后是设施。（点评分数的重要性高于设施，存疑）如下图所示：

FIG.15（a）.用户体验对评论条数的影响.png

FIG.15（b）.用户体验对评论条数的影响.png

结论：设施好和设施较好的健身房评论条数较多，而设施一般的健身房评论条数也不少，这说明人们对健身房设施的选择大多集中在两个极端，设施一般的健身房更面向大众，而设施好的健身房受高端用户青睐。对于Fitplus运动加&Denny House来说，有两种选择，或者提供较一般的健身设备提高针对普通用户，或者提供好的设备主打高端市场。

4.1.3 整体分析

输入：位置、Price、Facility、Score
目标：ReviewNum
决策树模型：可见在所有因素中，位置是最重要的因素，然后是设施，最后是价格

FIG.16 .整体分析影响评论条数的因素.png

FIG.17 .浦东新区整体分析.png

结论：健身房需要评估商圈的位置和定位，这样才能准确把握并迎合消费者的心理，从而拥有更多的客户。而对于Fitplus运动加&Denny House，可以提供较一般的健身设备提高针对普通用户；或者提供好的设备主打高端市场。在价格方面，应当适中。

4.1.4 模型结构

FIG.18.评论条数模型结构.png

4.2 探究影响点评分数的因素

与上一部分一样，将影响因素分为店家固有属性和用户体验。

4.2.1 店家固有属性

输入：位置、Price，有无团购、有无促销
目标：Score
决策树模型：生成了三层决策树。影响因素最大的是有无特色团购，在有特色团购的商家中，评分高的店家占23.037%，而没有特色团购商家的这个比例只有2.586%。次要的影响因素是位置，最后是价格，可以发现同种情况下价格实惠的健身房评分高的比例会更大。

FIG.19（a）.店家固有属性对评分的影响.png

FIG.19（b）.店家固有属性对评分的影响.png

结论：这个结论不难理解，当有团购时，用户可以获得最大程度的优惠，所以也会倾向于给更高的评分。同时，用户也更喜欢价格实惠的健身房。Fitplus运动加&Denny House，可以提高团购的优惠力度，适当降低价格，提高用户评分。

4.2.2 用户体验

输入：Facility、Sevice、Environment、ReviewNum
目标：Score
决策树模型：生成两层决策树模型，其中影响因素最大的是服务，在服务好的健身房中，评分高的健身房比例高达71.875%，而服务较好和一般的健身房的这个比例都不到1%。其次是环境。

FIG.20（a）.用户体验对评分的影响.png

FIG.20（b）.用户体验对评分的影响.png

结论：在第二层决策树中可以发现，服务一般的健身房一般环境评分也较差，这说明这两项评分有一定的关联性。对于Fitplus运动加&Denny House来说，可以提高自己的服务质量，并改善用户健身环境，从而提高用户评分。

4.2.3 整体分析

输入：有无团购、位置、Sevice
目标：Score
决策树模型：生成一层决策树模型，服务的重要性占到100%，

FIG.21（a） .整体分析影响评分的因素.png

FIG.21（b） .整体分析影响评分的因素.png

结论：由决策树可以看出，在所有影响点评分数的因素中，服务是最重要的，顾客是上帝，提供最优质的服务才是商户应有的追求。

五、推荐合适的健身中心

为了能够快速有效的为客户推荐合适的健身中心，需要对健身中心进行聚类。在聚类之前，为了剔除强相关变量对结果的影响，需要先进行关联分析，这里采用的是Apriori 算法。

5.1 Apriori算法关联分析

我所做的关联分析分别有以下几组：
（1）店家固有属性之间：位置、Price、有无团购、有无促销；
（2）用户体验属性之间：Facility、Sevice、Environment；
（3）Facility、Sevice、Environment、Price；
（4）Facility、Sevice、Environment、Score
这里，我设置最低条件支持度 10%，最小置信度 80%，最大前项数 5 项。

5.1.1 位置、Price、有无团购、有无促销

FIG.22 .位置、Price、有无团购、有无促销 关联分析.png

分析：对于浦东新区，有特色团购的支持度为16.938%，置信度为100%，而价格适中的支持度为11.401%，置信度为100%
结论：位于浦东新区的健身房大多数都有特色团购并且价格适中，这个不难理解，浦东新区年轻人较多，消费能力中等，也更喜欢使用团购这种比较新颖的购买方式。

5.1.2 Facility、Sevice、Environment

FIG.23 .Facility、Sevice、Environment关联分析.png

分析：从图中可以看出，设施、服务与环境这三项打分往往是要高都高、要低都低，原因一方面是好的店家往往在这三方面都很注意，另一方面是由于用户在这三方面的打分呈现出的关联性。
结论：对于健身房来说，设施、环境喝服务三方面都需要注重，否则可能因为某一方面影响了用户而导致得分都比较低。

5.1.3 Facility、Sevice、Environment、Price

FIG.24 .Facility、Sevice、Environment、Price关联分析.png

分析：从图中除了可以得到5.1.2中的结论之外，我们还可以看到，当人均消费水平低的时候，往往服务和环境、设施也较差，而当人均消费水平高的时候，服务和环境、设施一般会比较好。但是也可以注意到，人均消费水平一般的时候，也有很多健身房的设施、服务、环境不错的。
结论：为客户推荐健身房时，最好推荐价格一般或者价格高昂的健身房。

5.1.4 Facility、Sevice、Environment、Score

FIG.25 .Facility、Sevice、Environment、Score关联分析.png

分析：从图中看到，当服务和环境、设施也较差，而当人均消费水平高的时候，Score也较低；当服务和环境、设施好的 时候，Score也高；当服务和环境、设施一般的 时候，Score也一般。
结论：Score和设施、环境、服务之间有很强的关联性

5.2 K-Means聚类

首先对预处理的参数进行筛选，考虑到用户对健身房的要求，我们需要选取设施、环境和服务这三个参数。之所以没有选择健身房评分，是因为我们在前面的分析中看到健身房评分与设施、环境和服务两个维度的数据有着很强的关联性，另外还有有无团购这一属性。除了这些，还需要有健身房所在的地区和健身房名称，但均不作为算法的输入参数
输入参数：有无特色团购、设施、服务以及环境（根据客户对健身房的要求来定）、Price
聚类类别数：3类（多次尝试后）

FIG.26 .聚类结果（a）.png

FIG.26 .聚类结果（b）.png

FIG.26 .聚类结果（c）.png

分析：从结果中我们看出聚类的质量还是比较好的，这三类中分别有79、115和113个健身中心。在聚类-1中，设施、服务和环境指标都是很好的，属于性价比高的健身房，聚类-2和聚类-3分别代表性价比一般的健身房和性价比低的健身房。
结论：很明显，聚类-1就是用户所希望的这一类健身房，为了在中山公园附近找到合适的健身中心，我们在这里添加了一个选择节点用于筛选健身房，筛选条件为：region = "长宁区" and '$KM-K-Means' = "聚类-1"。最终得到的筛选结果如下：

FIG.27 .筛选结果.png

考虑到用户希望在中山公园附近，所以我们最终的推荐健身中心是中田健身工作室(中山公园店)。

六、总结

• 本次项目使用C5.0决策树分析了影响用户评分和评论条数的因素，并以健身中心Fitplus运动加&Denny House为例，为其制订了市场推广策略。
• 使用关联分析分析这些因素的内在关系。
• 使用聚类分析为用户推荐合适的健身房。
  这里的每个结果对商家和客户都具有很重要的现实意义，其中蕴藏着巨大的商机。