用户画像是什么,如何对客户进行精准画像研究,用户画像是什么,如何对客户进行精准画像评价
什么是精准营销？
精准营销依托现代信息技术，构建基于精准定位的个性化客户沟通服务体系，最终实现可衡量、低成本的延伸路径。与一般的网络营销相比，精准营销更注重精准性、可测性和高投资回报率。
正确的营销有什么好处？
1.可以量化。传统的营销定位是有限的，所以依靠现代信息技术可以准确定位市场，量化营销结果，比一般的网络营销更有效；
2.可测可控。传统的广告传播成本非常高，企业不可能低成本实现快速发展。营销精准利用数据库技术、网络通信技术和现代高度分布式物流，保证与客户的长期个性化沟通，使结果可测量、可控、成本更低；等一下。
简而言之，就是通过数据分析对客户进行标记，针对不同类型的客户进行不同的有效营销。
请通过简单的情况了解！现在我们有了某购物网站的客户消费记录。
案例描述：现在我们要做关于打折商品的营销活动。如果你是营销人员，你想了解客户的信息(标签)吗？
根据反算，你一定想知道客户是否对打折商品感兴趣。已经有标签了。我们将继续了解客户的价值水平(第二个标签)和价值程度。另外，我还想知道这个客户是否活跃(第三标签)，活跃程度如何(第三标签)。
所以，现在我们有了这三个标签，就可以用这三个标签做不同的营销方案了。然后，我们通过分析数据来研究如何给每个客户贴上这三个标签。
分析工具：Python-Anaconda 3-Jupyternebook
要使用的库：pandan、numpy、sklearn.preprocessing、datetime
1.数据文件importpandas aspdimportnumpyasnpimportosos . chdir(r c:(users(code(case 1)python )trad _ flow=pplow
F=trad_flow.groupby([cumid ， type]))。count)) F. head)根据cumid，统一横向F_trans=pd.pivot_table(F()
2.1)缺失值的处理
#缺少值处理f _ trans[ special _ offer ]=f _ trans[ special _ offer ]。fillna (0) f _ trans.head) 3。标记的
#通过计算客户购买特价产品的数量占产品总数的比例，得出客户对打折产品的感兴趣程度-特价/(特价很正常)-赠品不花钱，所以不考虑。f _ trans [利息]=f _ trans [特价]/f _ trans [特价] f _ trans [诺曼人]
3.2.客户价值计算
#m通过计算客户的价值信息反应m=trad_flow.groupby([cumid ， type]] [amount])。sum) (m.head)，计算各类商品值的购买金额= amount )m _ trans[ special _ offer ]=m _ trans[ special _ offer ]。fillna (0) m _ trans [。
3.3)计算客户是沉默还是活跃(将日期和时间转换为时间戳)。
定义将文本从[8]中的# #转换为时间的函数。#time.strptime将时间字符串转换为struct_time时间对象，time.mktime将struct_time对象的实例转换为时间戳。(时间戳指的是1970年1月1日00: 00: 00 GMT(秒越小，最后购买时间越长——沉默。反之亦然，fromtatetimeimporttimedefto _ time(t):out _ t=time . mktime)time . strptime，" %d% b "
# #这里修改为timestamp便于后面的qcut函数返回out_t# a=14(日)JUN(月的简称)09(年):17(小时):58(分钟):34(秒) # print(to_time(a))#应用将时间和日期转换为TRAD的函数。并生成该行的标签time_new)trad _ flow[ time _ new ]=trad _ flow . time . apply(to _ time)trad _ flow . head()#，按cumid和time _ new列分组，找到较大的(active) r=trad _ flow.groupby(
时间戳-从1970年1月1日北京时间08: 00: 00到现在(以秒计算)
4.特征工程-特征二值化(将获得的三个标签的值转换为0，1)将兴趣度二值化。
从实例导入预处理从熊猫导入数据帧，系列导入熊猫作为pd#特征工程-特征二值化(0,1),把以上求得的标签（是否感兴趣，是否活跃，是否有价值)进行一一二值化#等深分箱阈值=PD。q cut(F _ trans[ interest ]，2，retbins=True)[1][1]#取出一个值，用做比较二值化器=预处理。二进制化器(threshold=threshold)# F _ trans[利息]。价值观。形状(-1，1)，把值转化为一列二维的数组，进过比较返回0，1interest_q=pd .数据帧(二进制化器。transform(F _ trans[ interest ]。价值观。shape(-1，1)))#添加行索引，列索引利息指数=利息交易。index interest _ q . columns=[ interest ]interest _ q 4.1对客户价值（阀门)进行特征二值化
从实例导入预处理#对特征值（阀门客户价值)进行特征二值化阈值=PD。q cut(M _ trans[ value ]，2，ret bins=True)[1][1]二进制化器=预处理。二值化器(阈值=阈值)value_q=pd .数据帧(二进制化器。transform(M _ trans[ value ]。价值观。shape(-1，1)))value _ q . index=M _ trans。索引value _ q . columns=[ value ]value _ q 4.2对客户是否沉默（时间)进行特征二值化
#对特征值（时间客户是否沉默)进行特征二值化阈值=PD。q cut(R[ time _ new ]，2，ret bins=True)[1][1]二进制化器=预处理。二值化器(threshold=threshold)time _ new _ q=PD .数据帧(二进制化器。transform(R[ time _ new ]。价值观。shape(-1，1)))time _ new _ q . index=R . index time _ new _ q . columns=[ time ]time _ new _ q 5 .合并特征值#合并三各特征值analysis=pd.concat([interest_q，value_q，time_new_q]，axis=1)# In[12]# analysis[ rank ]=analysis。兴趣_ q分析。interest _ QA analysis=analysis[[利息，价值，时间]]analysis.head()
10001 - 1.0 - 1.0 - 1.0 (有兴趣-高价值-活跃)
转化营销人员看的懂的形式，并保存。
label={ (0，0，0):无兴趣-低价值-沉默, (1,0,0):有兴趣-低价值-沉默, (1,0,1):有兴趣-低价值-活跃, (0,0,1):无兴趣-低价值-活跃, (0,1,0):无兴趣-高价值-沉默, (1,1,0):有兴趣-高价值-沉默, (1,1,1):有兴趣-高价值-活跃, (0,1,1):无兴趣-高价值-活跃}分析[标签]=分析[[利息,价值,时间]]。应用(lambda x: label[(x[0]，x[1]，x[2])]，axis=1)分析。head()#数据帧。to _ CSV()
一个简单的小案例，通过数据对客户进行画像然后针对不同标签的客户进行不同的有效的营销。是否感受到了数据科学的魅力-……-。
