手把手教你轻松搞定高精度的消费者数据分析和预测

消费者数据分析，一直是众多企业最基础也是最重要的数据工作。如何做高精度的消费者数据分析和预测？这篇文章把这个问题讲透。

这里我们使用天池开放的数据资源（Baby Goods Info Data，资源地址： https://tianchi.aliyun.com/dataset/dataDetail?dataId=45）里下载了两个csv的数据：

1. Tianchi_mum_baby.csv（儿童信息）
2. Tianchi_mum_baby_trade_history.csv（交易记录）

作为体验该软件的样例数据。表结构如下2图所示。

表1 儿童信息

表2 交易记录

通过两个表的数据，实现“根据用户购买的儿童用品交易记录预测儿童的年龄”。

后续就可以基于预测的结果向用户推荐该年龄段可能需要的商品，促成更多商品销售，用数据分析提升产品转换。笔者所使用的软件是Yonghong Desktop，最终实现做成了一幅可视化报表，如下：

接下来我们就来一起学习下，如何利用这些数据来实现分析与预测吧~

一、做好基础准备——数据的导入与探索

数据导入

数据源的格式为CSV格式，直接在Yonghong Desktop上选择下图1这个功能上传数据即可形成数据集。

图1 CSV数据导入功能

导入后的数据集分别存放在如下位置：

图2 导入的原始数据集

数据探索

在Yonghong Desktop 上“深度分析”模块创建一个新实验，将数据集“baby”、“baby_trade_history”拖入画布，在右侧查看各个数据的元数据、探索数据功能。

可以发现：

“baby”数据集的user_id字段唯一值数量为953个，“baby_trade_history”数据集的user_id字段唯一值数量为29944个，因此只有3.18%的用户关联有baby数据的。“baby_trade_history”数据集的property字段是关于购买商品的属性信息且均已脱敏，无法知道其具体含义。

这么多的交易记录都查不到对应的儿童信息，我的想法是通过有儿童信息的交易记录，经过模型构建推理剩下那些交易记录对应的儿童信息。

二、简单五步——轻松完成数据处理

将“baby_trade_history”数据集关联有儿童信息的交易记录作为儿童年龄已标注的训练集，未关联儿童信息的记录作为待预测数据集。根据对业务和数据集的理解，儿童年龄与字段cat_id （商品品类）、cat1 （商品基础品类）、property （商品属性）、buy_mount（购买数量）相关性较高。

第一步，构造“baby_trade_history_train”数据集作为模型的训练集

它是由数据集“baby”、“baby_trade_history”数据集内部联接而成。构造数据流如下图3所示，“联接”算子的配置如图4所示。

图3 baby_trade_history_train数据集的工作流

图4 训练集的内部联接配置

第二步，通过交易日期和生日，算出年龄字段

在“baby_trade_history_train”数据集上通过新建计算列生成一个计算列字段age，其取值为根据字段birthday计算出的儿童年龄。该计算列：

“roundUp((dateValue(parseDate(col[‘day’],’yyyyMMdd’))-dateValue(parseDate(col[‘birthday’],’yyyyMMdd’)))/365,1)”

第三步，构造“baby_trade_history_predict”数据集作为模型推理用的待预测数据集

它是由数据集“baby”、“baby_trade_history”数据集右侧联接而成，如图5所示。

图5 测试集的右侧联接配置

第四步，待预测数据集过滤掉年龄字段不为空的数据行

由于“baby_trade_history”数据集的user_id唯一值数量多于“baby”数据集的记录，右联接后“baby_trade_history_predict”数据集中关于”baby”的有大量空值，如图6所示。在该数据集上添加过滤条件滤出birthday字段含有空值的行作为“baby_trade_history_predict”数据集最终输出，过滤完的结果只剩下在baby数据集里查询不到的数据。过滤条件配置如图7所示。

图6 有空值的字段

图7 过滤条件

第五步，从property字段构造新特征

property字段的数据如图8所示。

图8 baby_trade_history数据

该字段集中了商品的所有属性名及其取值，但显然不同类型的商品，其属性必然有差异，比如用途、尺寸、重量、材质、商品细分类型等等，不同年龄段的儿童用商品必然有所不同或者儿童偏好不同，这决定了商品属性必然与年龄存在相关性。通过观察数据(图8)发现，property字段将商品属性及其取值以冒号分割同时以分号分割不同的属性，虽然属性及取值均已脱敏，但仍然有利用的价值，于是我尝试用计算列拆分该字段构造出新字段。由于商品属性较多，我分离出了几个常见的商品属性作为计算列，如图9所示，其中：property_len是商品属性个数，其内容为：len(col[‘property’])-len(substitute(col[‘property’],’;’,”))。

property_21458是属性21458对应的值，其计算列内容为：

if contains(ifNull(col[‘property’],’0′),’21458:’) then

parseInt(split(split(col[‘property’],’21458:’,2),’;’,1))/1000

else

0

end

其它属性列对应的计算列同property_21458列。

图9  property分离出的新字段（红框内）

经过以上步骤，数据处理完成。

三、快速搭建实验——模型的构建与推理

模型构建

模型构建涉及特征工程和训练过程，在深度分析中是以实验的形式存在的。经过前面数据处理之后，搭建模型实验已经比较简单了。在Yonghong Desktop上创建一个实验，将“数据集”tab下的训练集“baby_trade_history_train”数据集和“操作”tab下“/算法/回归/决策树回归”算子及视图节点拖至实验画布，构建的实验如下图10所示，用到的节点位于图11中标注的位置。

图10 创建的模型训练实验工作流

图11 使用的算子

决策树回归的参数配置表如图12所示，调参过程略过，这里大家可以根据对数据和业务的理解自行设置。特征列选择如图13所示，注意字段的顺序是有用的，模型应用的时候字段的含义和顺序需要与这个特征列顺序保持一致。

图12 决策树回归算法的参数配置表

图13 特征列

训练完模型后通过“多视图”节点可以查看其性能指标、特征重要性等，如下图14所示。为了后续应用训练好的模型，我通过“保存为训练模型”及时将模型保存下来（操作过程略），保存的训练模型存放于如图15所示的位置，取名为：儿童年龄预测_训练模型。

图14 模型性能指标视图

图15 保存的训练模型

特别注意：在搭建模型训练实验的时候，遇到一个小坑。在“创建数据集”模块构建训练集时，如果添加计算列或者更新了计算列的计算逻辑后，在深度分析实验工作流中的训练集“baby_trade_history_train”节点上需要鼠标右键菜单点击“刷新”。

模型推理

保存了训练模型，就可以开始用它搭建模型推理服务工作流了。

第一步，新建一个实验，将预测数据集：baby_trade_history_predict，和刚保存的训练模型：儿童年龄预测_训练模型拖入画布中，创建工作流如图16所示。

第二步，配置模型应用节点。由于训练集和测试集的所选的特征字段完全一样，所以模型应用中填写的特征列与训练模型的字段和顺序完全一致，本实验中的配置如图17所示。

图16 模型推理工作流

图17 模型应用算子的配置项

predict_age字段是新建的字段，点击图18里的icon进行创建。

图18 新建字段写入模型预测的结果

第三步，设置制作报告可以使用的节点输出。这里显然模型应用节点的输出是我需要的，直接选择该节点即可，节点设置页面如图19所示。

图19 设置用于制作报告的节点

保存该实验，取名为：儿童年龄预测实验。

四、让结果一目了然——制作可视化报告

训练数据集baby_trade_history_train里有age字段，待预测数据集里有预测结果字段predict_age。现在的一个想法，就是把所有交易记录的age和predict_age拼接到一列里，就可以得到所有交易记录的年龄（一部分是实际的，一部分是预测的）。

第一步：合并训练数据集和待预测数据集

这里又用到了自服务数据集进行数据处理，将待预测数据集baby_trade_history_predict和训练数据集baby_trade_history_train做联合得到新数据集baby_trade，如图20。

图20 联合之后的数据集baby_trade

特别注意：联合的数据集需要字段相同，字段类型也匹配。

第二步：基于合并的数据集新建报告，并应用实验

基于baby_trade新建报告，选择绑定pane上的应用实验，如图21。

图21 应用实验入口

在弹出的选择实验窗口中，如图22 选择实验窗口，选择儿童年龄预测实验，并选择模型应用节点，点击确定。

图22 选择实验窗口

在此绑定数据集上，出现模型应用上新增的字段，见图23。

图23 应用实验

第三步：合并age和predict_age字段

新建计算列age_new，进行拼接，见图24。

图24 字段拼接

第四步：对每个年龄段进行分组

基于age_new字段新建数据分箱，设置见图25。

图25 数据分箱

第五步：制作报告

用上面预测和准备的数据，即可在Yonghong Desktop上通过可视化的方式拖拽得到消费商品的年龄分布，不同年龄段的购买情况，不同年龄的商品偏好，不同商品的年龄分布，并由此做精准的商品推荐。我拖拽做了四个图表，基本在分钟级以内搞定，最终展示效果如图26所示。

图26 可视化效果