数据仓库与数据挖掘-挖掘高价值B站up主案例
目录
一、实现目标
二、分析方法
IFL模型
三、数据预处理
去重
缺失值分析与处理
异常值分析与处理
编辑
可视化展示
构建特征值
构造F值
编辑
构造IFL分析数据集
编辑
构造L值
数据标准化
编辑
运用K-Means聚类方法
建立模型
聚类结果特征分析
结论分析
一、实现目标
根据数据集中的up主视频播放信息，参考RFM模型，运用K-Means聚类方法对b站up主进行分群，比较不同up主的特征，挖掘出值得关注的up主、高价值的up主群体
二、分析方法
IFL模型
I(Interaction_rate)： I值反映的是平均每个视频的互动率，互动率越高，表明其视频更能产生用户的共鸣，使其有话题感。 **I=(总弹幕数+总评论数)/总播放量/统计范围内视频数量
F(Frequence)： F值表示的是每个视频的平均发布周期，每个视频之间的发布周期越短，说明内容生产者创作视频的时间也就越短，创作时间太长，不是忠实粉丝的用户可能将其遗忘。 **F=(统计范围内最晚发布视频时间-最早发布视频时间)/发布视频的数量
L(Like_rate)： L值表示的是统计时间内发布视频的平均点赞率，越大表示视频质量越稳定，用户对up主的认可度也就越高。 **L=(点赞数X1+投币数X2+收藏数X3+分享数X4)/播放量X发布视频数
三、数据预处理
分析数据基于 bilibili 网站上的公开信息，主要采集了以下数据维度：
2019年1月~2020年3月，科技区播放量过5w视频的分区名称、作者名称、作者id、发布时间、播放数、硬币数、弹幕数、收藏数、点赞数、分享数、评论数，一共50130行。
数据来自 公众号 数据不吹牛
去重
缺失值分析与处理
异常值分析与处理
可视化展示
构建特征值
构造F值
构造IFL分析数据集
构造L值
数据标准化
运用K-Means聚类方法
建立模型
聚类结果特征分析
结论分析
从案例结果来看，所有的渠道被分为3个类别，每个类别的样本量分别为：265、1082、204，对应占比分别为：17%、70%、13%。
类别1：索引为0的up主
该类别的I值略高于平均值，证明与观众的互动率较高，话题性也较高；但F值明显高于其他两类，创作周期较长； L值平均点赞率良好，仍有可提升空间；该类别大部分为业余up主，处于成长期。
类别2：索引为1的up主
该部分占了70%，是该分区的主要群体；该类别的I值稍低于平均值，与观众的互动良好；F值为三者中最低，更新频率高，活跃程度高； 但L值平均点赞率是短板，较低，暂未能获得大量观众的点赞、投币、收藏；需要提高视频稿件的质量，创作符合观众口味的视频，收获更多的三连
类别3：索引为2的up主
该部分up主群体I值远高于平均值，受到观众的喜爱，话题感十足；视频更新稳定，在保证不拖更的同时，收获到观众大量的三连（点赞、投币、收藏）； 该类up主粉丝数目也大部分超过十万，能够提供高质量且稳定的视频稿件，为该分区的高价值up主群体。
投稿不易，感谢点赞！
数据仓库与数据挖掘-挖掘高价值B站up主案例相关推荐
- 大数据公司挖掘数据价值的49个典型案例
大数据公司挖掘数据价值的49个典型案例 对于企业来说,100条理论确实不如一个成功的标杆有实践意义,本文的主旨就是寻找"正在做"大数据的49个样本. 本文力图从企业运营和管理的角度 ...
- 大数据公司挖掘数据价值的49个典型案例！信息量很大
大数据公司挖掘数据价值的49个典型案例 对于企业来说,100条理论确实不如一个成功的标杆有实践意义,本文的主旨就是寻找"正在做"大数据的49个样本. 力图从企业运营和管理的角度,梳 ...
- 数据挖掘，你知道的大公司有哪些？独家揭秘：大数据公司挖掘数据价值的49个典型案例
对于企业来说,100条理论确实不如一个成功的标杆有实践意义,本文的主旨就是寻找"正在做"大数据的49个样本. 本文力图从企业运营和管理的角度,梳理出发掘大数据价值的一般规律:一是以 ...
- 下篇 | 大数据公司挖掘数据价值的49个典型案例（值得收藏）
紧接着上篇中的25项案例介绍剩余其他的大数据公司挖掘数据价值的典型案例... 26. 众趣的行为辩析 众趣是国内第一家社交媒体数据管理平台,目前国内主要的社交开放平台在用户数据的开放性方面仍比较保守, ...
- 如何挖掘高价值用户，实现付费转化率逆势增长
引言 本文向大家介绍Now冥想App如何运用华为分析来挖掘高价值用户,实现付费转化率的逆势增长,希望给同样在增长之路上探索的你带来一点参考. 关于Now 冥想 Now 冥想于2016年2月诞生,致力于 ...
- Smartbi助你解决银行高价值客户流失难题
目前银行产品存在同质化现象,客户选择产品和服务的途径越来越多,客户对产品的忠诚度越来越低,所以客户流失已经成为银行业最关注的问题之一.而获得新客的成本远高于维护老客户成本. 据调研表明,商业银行客户流 ...
- 数据仓库与数据挖掘的一些基本概念
下面内容摘自互联网并作了整理. 名词: BI(Business Intelligence):商业智能, DW(Data Warehouse):数据仓库,详见正文Q1部分. OLTP(On-Line T ...
- 《数据仓库与数据挖掘教程》ch01绪论 章节整理
数据仓库概述 从传统数据库到数据仓库 计算机数据处理有两种主要方式 事务型处理 分析型处理 传统数据库与事务处理 传统数据库是长期存储在计算机内的.有组织的.可共享的数据集合 有严格的数学理论支持,并 ...
- 《数据仓库与数据挖掘》期末复习总结
<数据仓库与数据挖掘>期末复习总结 适用教材:<数据挖掘概念与技术(第3版)>,Jiawei Han,Mieheline Kamber,Jian Pei著,机械工业出版社 提示 ...
最新文章
- 基于Golang的CLI 命令行程序开发
- Angular 选项卡
- python怎么安装myqr模块-python二维码操作:对QRCode和MyQR入门详解
- linux忘记root密码怎么办
- Elasticsearch 实战经验总结
- leetcood学习笔记-58-最后一个单词的长度
- 《OOD启思录》—第2章2.6节角色与类
- 【Twitter】时序图神经网络
- Java序列化技术即将被废除！！！
- 隐藏网络计算机,XP电脑如何在网络中隐藏自己的计算机名称？
- NHibernate的缓存管理机制
- solr6 mysql增量更新_solr 的全量更新与增量更新
- 命令提示符死亡之ping教程
- matlab分簇教程,leach分簇算法仿真(基于matlab)
- 时域进行两次傅里叶变换
- 可靠性试验与环境试验概述
- 计算机学院实习报告3000字（Java开发实习）--持续更新中，多个专业，以及版本
- 信号处理：时域和频域的关系
- 解决win7 下面 利用docker搭建jitsi-meet测试环境局域网无法访问的问题
- 词云 文字云 标签云 教程19年最新版