范 瑛

（長沙商貿(mào)旅游職業(yè)技術(shù)學院 湖南 長沙 410000）

1 引言

新時期，技術(shù)的發(fā)展促使數(shù)據(jù)挖掘進入了全景式的數(shù)據(jù)空間，以MS SQL、Oracle為代表的傳統(tǒng)數(shù)據(jù)挖掘架構(gòu)陸續(xù)具備了智能分析基礎(chǔ)，為基于Python的數(shù)據(jù)挖掘提供了支持。與此同時，在消費行業(yè)競爭日益激烈的當今時代，怎樣挽留更多客戶成為消費行業(yè)從業(yè)者經(jīng)營中愈發(fā)關(guān)注的業(yè)務(wù)指標。而了解客戶的特征以及消費傾向?qū)τ谙M行業(yè)企業(yè)更好的制訂營銷服務(wù)方案至關(guān)重要?；诖耍肞ython數(shù)據(jù)挖掘技術(shù)，探究客戶預(yù)測的實現(xiàn)非常必要。

2 基于Python的數(shù)據(jù)挖掘技術(shù)

Python是一種以簡潔著稱的語法，具有典型的弱類型特點，多通過縮進控制結(jié)構(gòu)，即利用4個空格、1個tab代替大括號作用。從數(shù)據(jù)結(jié)構(gòu)來看，Python包括活用字典、列表兩種數(shù)據(jù)結(jié)構(gòu)，前者可以視為封裝完畢的hash表，便于進行形的鍵值對樹形結(jié)構(gòu)進行邊界處理[1]。

在Python使用時，可以利用easy_install、pip進行一鍵手動安裝，進而在Linux下解壓進入目錄執(zhí)行install?；蛘哌x擇.exe格式的Windows系統(tǒng)安裝包雙擊后下載安裝。同時進行具有基于GPU的deep learning編譯模塊eclipse的安裝，需要注意的是，該編譯模塊需要Java環(huán)境，除內(nèi)置Java環(huán)境的Linux、Mac系統(tǒng)外，包括Windows在內(nèi)的其他系統(tǒng)需要進行額外安裝[2]。在這個基礎(chǔ)上，根據(jù)數(shù)據(jù)挖掘需要，還可進行Python標準庫、Numpy與Scipy封裝包、Matplotlib可視化圖形庫以及Scikit Learn原型算法庫的安裝，滿足Python數(shù)據(jù)挖掘要求。

3 基于Python數(shù)據(jù)挖掘?qū)崿F(xiàn)客戶預(yù)測的技術(shù)應(yīng)用準備

3.1 數(shù)據(jù)集描述

在基于Python數(shù)據(jù)挖掘技術(shù)應(yīng)用前，需要以數(shù)據(jù)集的形式進行數(shù)據(jù)收集描述[3-4]。以消費行業(yè)潛在會員預(yù)測為例，可以收集描述消費行業(yè)潛在會員的相關(guān)信息，共包含千余條數(shù)據(jù)，20個字段。見表1。

表1 數(shù)據(jù)集描述（局部）

表1（續(xù)）

3.2 數(shù)據(jù)導(dǎo)入

在數(shù)據(jù)集描述完畢后，需要將描述信息導(dǎo)入到預(yù)測模型中。第一步，可以通過“import nunpy as np”語句，輸出文件夾中存儲的文件名“print los.ilstdi”。具體為：

3.3 數(shù)據(jù)清洗處理

在基于Python數(shù)據(jù)挖掘過程中，海量原始數(shù)據(jù)無法保證完全無缺失，甚至會存在不一致和異常數(shù)據(jù)，對數(shù)據(jù)挖掘建模執(zhí)行效率具有較大不利影響，比如，導(dǎo)致挖掘結(jié)構(gòu)偏差等。此時，進行數(shù)據(jù)的清洗處理就非常必要。數(shù)據(jù)清洗處理主要利用python內(nèi)interpolate、unique、notnull的功能，進行異常數(shù)據(jù)篩選或者轉(zhuǎn)型[5]。比如，利用interpolate一維或高維數(shù)據(jù)插值功能，進行異常數(shù)據(jù)處理，利用unique函數(shù)去除數(shù)據(jù)中重復(fù)元素，保證單值元素列表的順利獲得，利用notnull判斷是否非空等。具體如下：

利用interpolate函數(shù)中涵蓋的拉格朗日插值法，輸入“f=scipy.interpolate.lagrange(x,y)”，根據(jù)需要查找對應(yīng)插值，計算對應(yīng)的自變量x、因變量y數(shù)值。

利用unique函數(shù)面對Series對象輸入“f=remove.any（source.Duplicated（subset=[‘customer’])”將數(shù)據(jù)中重復(fù)元素去除。重復(fù)操作，直至輸出為False，獲得不存在重復(fù)值的np.unique（D）單值元素列表。

4 基于Python數(shù)據(jù)挖掘?qū)崿F(xiàn)客戶預(yù)測的技術(shù)應(yīng)用

4.1 預(yù)測模型搭建

在數(shù)據(jù)清洗處理之后，利用Python內(nèi)user_fit.xlsx數(shù)據(jù)集進行客戶預(yù)測模型的構(gòu)建，用于預(yù)測數(shù)據(jù)集中會員消費傾向。在模型構(gòu)建時，可以選擇樸素貝葉斯法[6-7]。假定會員注冊時間、會員消費數(shù)量、會員反饋數(shù)量等特征相互獨立，但上述獨立的特征極易對最后目標參數(shù)——用戶是否成為會員造成影響，在已描述一個會員數(shù)據(jù)以及其他客戶特征取值的情況下，可以運用貝葉斯定理進行后驗概率計算，進行隨機事件——客戶發(fā)展為會員的條件概率的描述。即：P（會員|客戶注冊時間）=P（會員|客戶注冊時間×客戶消費時間）=P（客戶注冊時間×客戶消費時間）P（客戶注冊時間×客戶消費時間|會員）×P（會員）。因上述變量為聯(lián)系變量，需要在一個假定區(qū)間內(nèi)對其進行離散化處理，獲得變量落到對應(yīng)區(qū)間內(nèi)的概率[8-9]。最終通過計算用戶成為會員、非會員的概率，獲得類別劃分屬性。

預(yù)測模型構(gòu)建過程為：

通過對上述構(gòu)建模型進行測試，得出準確率在91.5%左右，可以基本滿足客戶預(yù)測要求。

4.2 客戶預(yù)測

在確定數(shù)據(jù)基本可以滿足客戶預(yù)測要求后，使用Pandas進行數(shù)據(jù)讀取，加載保存到模型，進行客戶發(fā)展為會員的預(yù)測分析[7]。即：

在預(yù)測分析的基礎(chǔ)上，可以將預(yù)測某位客戶為潛在會員的概率添加到以往數(shù)據(jù)集的最后一列，針對概率排序，將55%的客戶篩選出來。在這個基礎(chǔ)上，進行用戶畫像，開展精準營銷服務(wù)方案策劃、執(zhí)行。

5 結(jié)語

綜上所述，Python是數(shù)據(jù)挖掘領(lǐng)域使用頻率較高的Linux、Mac系統(tǒng)內(nèi)置語言，在客戶預(yù)測方面也具有優(yōu)良的表現(xiàn)，不僅可以基于現(xiàn)有數(shù)據(jù)進行客戶畫像，而且可以根據(jù)客戶特征對用戶是否可以發(fā)展為會員、續(xù)約或流失進行預(yù)測分析[10]。為了充分發(fā)揮Python數(shù)據(jù)挖掘技術(shù)的優(yōu)良作用，可以事先收集客戶社會屬性、基礎(chǔ)屬性、行為特征以及心理特征信息。在初步清理、篩選、歸一化處理后，抽象出一個標簽化的客戶模型[11]。通過進一步的模型訓練，更加精準地洞察客戶需求以及行為變化趨勢，為針對性的營銷、服務(wù)決策提供依據(jù)，提高經(jīng)營效益。