python数据分析:客户价值分析案例实战
简介:本案例以电信运营商客户信息为数据,通过层次聚类和K-means聚类,对用户划分成不同的群体,然后可以根据用户群体的不同特征提供个性化的策略,从而达到提高ARPU的效果。
1.商业理解
根据客户的日常消费行为,我们可以把客户划分为不同的群体,根据不同群体的消费行为特征,我们可以作出针对性的营销策略。从而达到发展新业务、减少客户流失率,争取新用户,提高ARPU的目标
对运营商用户的分类,一般可以分为:
公众用户
企业用户
大客户
本次针对公众用户进行划分,目标将“公众用户”分类为:
高端用户
中端用户
离网趋势用户
其他用户
2.展示数据
本次采用的数据有:
客户的个人信息
客户的通话信息
各资费套餐的详情
3.数据预处理
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.cluster.hierarchy#聚类、层次
#读入数据
custinfo=pd.read_csv("custinfo.csv")
custcall=pd.read_csv("custcall.csv")#数据聚合
custcall_average=custcall.groupby(custcall["Customer_ID"]).mean()
del custcall_average["month"]#数据合并
data = pd.merge(custinfo,custcall_average,left_on='Customer_ID',right_index=True)#使用右边dataframe的索引值作为连接键
data.index=data["Customer_ID"]
del data["Customer_ID"]
4.数据观察
des=data.describe()
#查看取值离散变量的分布
pd.value_counts(data["Gender"]) #查看性别分布
pd.value_counts(data['Tariff'])#套餐
pd.value_counts(data['Handset'])#手机品牌for i in data.columns:if i not in ['Gender','Tariff','Handset']:plt.figure()sns.distplot(data[i],bins=10,hist_kws=dict(edgecolor='k'),kde=False)plt.show()
5.模型建立
#模型建立
#数据整理
xunibinaliang=data[["Gender",'Tariff','Handset']]
dummies=pd.get_dummies(xunibinaliang) #将类别变量转为虚拟变量,gender为二值型,get_dummies处理后还是一列
data_zs=pd.DataFrame
i=data.columns.difference([u'Age',u'Gender',u'Tariff',u'Handset']) #一维数组做差
data_zs=(data[i]-data[i].mean())/data[i].std()
#确定聚类数目
from scipy.cluster.hierarchy import linkage,dendrogram
#进行层次聚类
Z = linkage(data_zs, method = 'ward', metric = 'euclidean')
P = dendrogram(Z, 0) #将层级聚类结果以树状图表示出来 dendrogram-树图
plt.show()#观察树图,认为分成4类比较合适
#K-means聚类
#参数初始化
k = 4 #聚类的类别
iteration = 500 #聚类最大循环次数,即迭代次数#构建k-means模型
from sklearn.cluster import KMeans
model = KMeans(n_clusters = k, n_jobs = 4,max_iter=iteration) #构造聚类器,分为k类,并发数4
model.fit(data_zs) #开始聚类
6.数据展示
#简单打印结果
r1 = pd.Series(model.labels_).value_counts() #label_:每个样本对应的簇类别标签,统计各个类别的数目
r3=model.labels_
r2 = pd.DataFrame(model.cluster_centers_) #行为每一类的聚类中心,每一列的意义是按照data_zs
r4=model.cluster_centers_
r = pd.concat([r2, r1], axis = 1) #横向连接(0是纵向),得到聚类中心对应的类别下的数目
r.columns = list(data_zs.columns)+ [u'class'] #重命名表头#这里传入的列表名必须list
print(r)#类中心比较
r[i].plot(figsize=(10,10))
plt.show()#每个类别各属性的概率密度图
分群的注意点:
1)群间差异是否明显
2)群内特征是否相似
3)分群对业务是否有指导意义
python数据分析:客户价值分析案例实战相关推荐
- Python金融风控模型案例实战大全
大家好,我是Toby老师,今天介绍 <Python金融风控模型案例实战大全>. 1.<Python金融风控模型案例实战大全>程覆盖多个核心知识点,包括风控建模全流程知识介绍,信 ...
- 数据分析六、案例实战---Apr 算法之公众号关联分析
案例实战---Apr 算法之公众号关联分析 一.案例背景 二.明确目标 三.数据处理 3.1关于数据清洗,略... 3.2数据整理 四.数据分析 五.数据展现 5.1 绘制多组柱状图 5.2案例展现 ...
- Python数据分析2-pandas入门和实战
目录 2.1pandans数据结构 2.1.1创建Series数据 2.1.2创建DaraFrame属性 2.1.3索引对象 2.2pandas索引操作 2.2.1重新索引 2.2.2更换索引 2.2 ...
- python数据分析与挖掘项目实战记录
python数据挖掘项目实战记录 取自<Python数据分析与挖掘实战>一书,整理各个项目中用到的数据处理方法: 数据预处理方法 建立模型方法 绘制图形 对于分类问题:用模型分类:混淆矩阵 ...
- 《Python数据分析与挖掘》实战项目 - Python程序设计(期末大作业、课程设计、毕业设计)2012-2021近十年考研英语一真题词汇词频统计与可视化(附代码)
<Python数据分析与挖掘> - 2012-2021近十年考研英语一真题词汇词频统计与可视化 声明 本文仅在CSDN发布,其他均为盗版.请支持正版! 正版链接: https://blog ...
- python回归预测例子_案例实战 | 逻辑回归实现客户流失预测(附Python代码与源数据)...
关注一下~,更多商业数据分析案例等你来撩 前言 利用逻辑回归进行客户流失预警建模中涵盖了许多比较细的知识点,思维导图只展示了极小的一部分,相关知识点链接将穿插在文中.(源数据源代码空降文末获取) 数据 ...
- Python数据分析:数据可视化实战教程
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于碧茂大数据 ,作者碧茂大数据 明确三个步骤: 确定问题,选择图形 转 ...
- 客户流失预测模型python_使用python进行客户流失案例分析
1 商业理解流失客户是指那些曾经使用过产品或服务,由于对产品失去兴趣等种种原因,不再使用产品或服务的顾客. 电信服务公司经常使用客户流失分析和客户流失率作为他们的关键业务指标之一,因为留住一个老客户的 ...
- python数据分析5个案例-Python数据分析-案例分析
两个学习道具: 1)这个网页可以调用全球最大的搜索引擎(长按此处可以复制): 事先准备: 在notebook中想要导入Excel文件,要先安装一个读取Excel文件的包:xlrd 安装步骤: 1> ...
最新文章
- [置顶] 面向业务开发应用
- ELK出现unassigned_shards查看及删除
- ESP8266的网状网络(Mesh Network)
- oracle驱动权限如何修改,详解如何实现Oracle修改用户权限和角色
- 从零开始编写自己的C#框架(27)——什么是开发框架
- 二、WIN10 64位下Pycharm打包.py程序为可执行文件exe
- PostgreSQL 获评2017 DB-Engines年度DBMS榜首
- git 9个小命令(三年修仙五年摸鱼也有喔) 一条龙服务
- 8月8日云栖精选夜读:他的前半生是厨神,45岁却决定加入阿里巴巴
- 利用dlib库(Python)实现实时(摄像头)人脸检测以及特征点标定(landmark))
- 实战Nginx(4)-压缩模块与http首部响应报文模块
- iphone iOS 更换手机铃声 免itunes
- 解绑数字身份,解锁新玩法与构建方式(下)
- php 关注微信触发事件,微信api 关注事件
- Oracle 三种常与开窗组合使用的方法
- 离人愁用计算机来弹,抖音计算机乐谱有哪些?计算机歌曲乐谱汇总
- java实现QQ、微信等第三方账号登陆
- 联想拯救者 Y32p 显示器 评测
- 九月份研究生开学之前计划
- Chromium网页GPU光栅化原理分析