电商B2C商铺新用户复购预测
01
电商B2C模式介绍
做电商商城已经成为热门行业，传统电子商务的几种商业模式分别为B2B、B2C、C2C、C2B、O2O等。今天我们着重研究一下B2C模式。
B2C模式，是指进行电子商务交易的供方是商家（或企业、公司），买方是个人消费者，他们利用互联网技术和电子商务平台完成交易。随着我国电子商务不断的发展，B2C模式也衍生了不同类型的商业模式，具体可分为四类，如下表：
其中，京东、天猫的盈利方式：特许加盟、虚拟店铺出租费、广告费、技术服务费等。
1.1
B2C主要业务功能
1.2
平台的盈利模式
02
数据挖掘流程
2.1
商业理解
商业理解（Business understanding）该阶段是数据挖掘中最重要的一个部分，在这个阶段里需要明确商业目标、评估商业环境、确定挖掘目标以及产生一个项目计划。
2.2
数据理解
数据理解（Data understanding）：在数据理解过程中我们要知道都有些什么数据，这些数据的特征是什么，可以通过对数据的描述性分析得到数据的特征。
- 了解数据集基本特征 info；
- 查看数据分布情况 describe；
- 查看缺失值及占比，对缺失值过多（大于80%）的数据进行删除。
2.3
数据准备
数据准备（Data preparation）：在该阶段我们需要对数据作出提取、清洗、合并、标准化等工作。选出要进行分析的数据，并对不符合模型输入要求的数据进行标准化操作。
缺失值处理的几点建议：
- 小于20%采取方案补充；
- 20%～50%之间采取多值离散化；
- 50%～80%之间采取二值离散化；
- 大于80%的删除。
不平衡数据处理
所谓的不平衡数据集指的是数据集各个类别的样本量极不均衡。以二分类问题为例，假设正类的样本数量远大于负类的样本数量，通常情况下把多数类样本的比例接近100:1的数据称为不平衡数据。
常用的处理方式如下：
2.4
建立模型
建立模型（Modeling）：需要根据分析目标选出适合的模型工具，通过样本建立模型并对模型进行评估。
2.5
模型评估
模型评估（Evaluation）：一方面利用挖掘工具自带评估模型进行挖掘模型效果评估，如准确率、精确度等；另一方面，抽样一部分结果进行调研验证分析。
模型评估的意义
在完成模型构建之后，必须对模型的效果进行评估，根据评估效果来继续调整模型的参数、特征或者算法，以达到满意的结果。
评价一个模型最简单也是最常用的指标就是准确率，但是在没有任何前提下使用准确率作为评价指标，准确率往往不能反映一个模型性能的好坏，例如在不平衡的数据集上，正类样本占总数的95%，负类样本占总数的5%。那么有一个模型把所有样本全部判断为正类，该模型也能达到95%的准确率，但是这个模型没有任何的意义。
因此，对于一个模型，我们需要从不同的方面去判断它的性能。在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评价结果。
这意味着模型的好坏是相对的，什么样的模型是好的，不仅取决于算法和数据，还决定于任务需求。例如医院中监测病人是否有心脏病的模型，那么这个模型的目标是将所有有病的人给监测出来，即使会有许多误诊（将没有病监测为有病）。
根据模型选择其模型评估方式
2.5.1 分类算法评估
下面以二分类为例，对分类模型中的常用指标进行说明与总结。
混淆矩阵（Confusion Matrix）
- 真正（True Positive，TP）：实际为正预测为正；
- 假正（False Positive，FP）：实际为负但预测为正；
- 假负（False Negative，FN）：实际为正但预测为负；
- 真反（True Negative，TN）：实际为负预测为负。
1. 准确率（Accuracy）
2. 精确率（Precision）
精确率：预测正确的正样本，预测出是正的里面有多少真正是正的，也称查准率。
3. 召回率（Recall）
召回率：实际正样本中，分类器能预测出多少。与真正率相等，可理解为查全率。
4. F值
F值：精确率和召回率加权调和平均数，并假设两者一样重要。
准确率和精确率是一对矛盾的度量。 一般来说，准确率高时，精确率往往偏低；而精确率高时，准确率往往偏低。通常只有在一些简单任务中，才可能使二者都很高。
5. ROC曲线和AUC
AUC（Area Under the ROC Curve）指标是在二分类问题中，模型评估阶段常用作最重要的评估指标来衡量模型的稳定性。
根据混淆矩阵，还可以得到另外两个指标：
- 真正率（True Positive Rate，TPR）：即被预测为正的正样本数/正样本实际数。
- 假正率（False Positive Rate，FPR）：即被预测为正的负样本数/负样本实际数。
ROC曲线，Y轴TPR，X轴FPR，作图，便得到了ROC曲线，而AUC则是ROC曲线下的面积。
AUC=1 最理想；0.7～0.9准确率比较高；0.5无诊断价值。
概率，默认阈值0.5。
ROC曲线作用：1. 确定阈值，2. 得到AUC面积。
2.5.2 回归算法评估
按照数据集的目标值选择模型，目标值为连续型的需要采用回归模型。
1. 平均绝对误差
平均绝对误差（Mean Absolute Error，MAE）：又被称为L1范数损失。MAE是基于误差的绝对值，而非平方差，因此相比较于MSE与RMSE来说更直观地体现出预测值和实际值的差距。
Python Sklearn ：
2. 均方误差
均方误差（Mean Squared Error，MSE），观测值与真值偏差的平方和与观测次数的比值。
Python Skearn：
这也是线性回归中最常用的损失函数，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以用它来比较。
MSE可以评估数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
MSE可以衍生得到均方根方差（Root Mean Square Error，RMSE），和本身的目标值有关系，不同数据源不能对比模型的优劣。
3. R^2判定系数
注：SSR 回归平方和，SSE 残差平方和，SST 总离差平方和。
Python Sklearn：
数学理解：分母理解为原始数据的离散程度，分子为预测数据和原始数据的误差，二者相除可以消除原始数据离散程度的影响。其实，R^2判定系数是通过数据的变化表征一个拟合的好坏。
正常取值范围为[0,1]——实际操作中通常会选择拟合较好的曲线计算R^2。越接近1，表明方程的变量对目标值的解释能力越强，这个模型对数据拟合的也较好；越接近0，表明模型拟合的越差。经验值：>0.4，拟合效果好。
数据集的样本越大，R^2越大，因此，不同数据集的模型结果比较会有一定的误差。
2.5.3 聚类算法评估
1. 误差平方和
误差平方和（Sum of Square Error，SSE），刻画的簇内的凝聚程度。
注：m为簇的中心点，p为簇内的点，c为一个簇，k为簇的个数
肘点法则：下降率突然变缓时即认为是最佳的k值（随着簇数越多，SSE越小）。
2. 轮廓系数
轮廓系数（Silhouette Coefficient，SI）是聚类效果好坏的一种评价方式。最早由Peter J. Rousseeuw 在1986年提出。它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
方法：
1）计算样本i到同簇其他样本的平均距离ai。ai越小，说明样本i越应该被聚类到该簇。将ai称为样本i的簇内不相似度。簇C中所有样本的ai均值称为簇C的簇不相似度。
2）计算样本i到其他某簇Cj的所有样本的平均距离bij，称为样本i与簇Cj的不相似度。定义为样本i的簇间不相似度：bi=min{bi1, bi2, ……, bik}，bi越大，说明样本i越不属于其他簇。
3）根据样本i的簇内不相似度ai和簇间不相似度bi，定义样本i的轮廓系数。
那么i向量轮廓系数就为：
- a(i)：i向量到同一簇内其他点不相似程度的平均值。
- b(i)：i向量到其他簇的平均不相似程度的最小值。
判断：
1）轮廓系数范围在[-1, 1]之间。该值越大，越合理。SI接近1，则说明样本i聚类合理；SI接近-1，则说明样本i更应该分类到另外的簇。
2）若SI近似为0，则说明样本i在两个簇的边界上。
3）所有样本的SI的均值称为聚类结果的轮廓系数，是该聚类是否合理、有效的度量。
将所有点的轮廓系数求平均，就是该聚类结果总的轮廓系数。
3. CH系数
CH系数（Calinski-Harabasz Index）：类别内部数据的协方差越小越好，类别之间的协方差越大越好。这样Calinski-Harabasz分数s会高，分数s高则聚类效果越好。
tr为矩阵的迹，Bk为类别之间的协方差矩阵，Wk为类别内部数据的协方差矩阵。
m为训练集样本数，k为类别数。
使用矩阵的迹进行求解的理解： 矩阵的对角线可以表示一个物体的相似性。
在机器学习里，主要为了获取数据的特征值，那么就是说，在任何一个矩阵计算出来之后，都可以简单化，只要获取矩阵的迹，就可以表示这一块数据的最重要的特征了，这样就可以把很多无关紧要的数据删除掉，达到简化数据，提高处理速度。
CH需要达到的目的： 用尽量少的类别聚类尽量多的样本，同时获得较好的聚类效果。
2.6
部署
部署（Deployment）：得出模型的挖掘结果不是最终目标，还需要考虑，如何更直观可视化的进行结果展示，如何提升数据挖掘结果对实际业务的支撑能力。随着业务不断发展，模型也需要随之调整和优化，在不断的使用和优化中持续发展。返回搜狐，查看更多
责任编辑：