營(yíng)銷(xiāo)數(shù)據(jù)分析 課件 李永發(fā) 第7、8章 基于PSM的定價(jià)策略、基于決策樹(shù)的消費(fèi)者響應(yīng)預(yù)測(cè)

基于PSM的定價(jià)策略Let’sStart第7章PSM的原理TheprincipleofPSMPSM的流程ThePSMprocess問(wèn)題的提出RaiseaquestionPSM的優(yōu)缺點(diǎn)AdvantagesanddisadvantagesofPSMCONTENTS目錄定價(jià)案例示范Pricingcasedemonstration思考題Thinkingproblems1問(wèn)題的提出（一）定價(jià)傳統(tǒng)銷(xiāo)售模式下，制造商很難知道每個(gè)消費(fèi)者對(duì)產(chǎn)品的需求價(jià)格，因此制造商幾乎不可能對(duì)產(chǎn)品實(shí)施一級(jí)的價(jià)格歧視（即企業(yè)將產(chǎn)品價(jià)格設(shè)定為消費(fèi)者愿意并且能夠支付的最高價(jià)格）。在大數(shù)據(jù)背景下，產(chǎn)品定價(jià)模型與傳統(tǒng)定價(jià)模型相同，同時(shí)借助大數(shù)據(jù)技術(shù)，能夠更好地理解消費(fèi)者的需求彈性，使歧視性定價(jià)更加準(zhǔn)確。但是，預(yù)測(cè)最優(yōu)定價(jià)與定價(jià)的合理區(qū)間是制定產(chǎn)品價(jià)格策略必不可少的重要一個(gè)環(huán)節(jié)。企業(yè)對(duì)產(chǎn)品價(jià)格設(shè)定的想法與消費(fèi)者的感知若是不匹配，必將會(huì)影響企業(yè)收入，因此，通過(guò)調(diào)查數(shù)據(jù)計(jì)算消費(fèi)者對(duì)新產(chǎn)品的可接受價(jià)格的范圍是正確的營(yíng)銷(xiāo)決策的一個(gè)基礎(chǔ)。（二）問(wèn)題設(shè)計(jì)現(xiàn)某企業(yè)正打算推出一款新產(chǎn)品，目前還在定價(jià)階段，由于該企業(yè)之前推出的一款產(chǎn)品定價(jià)過(guò)高，導(dǎo)致銷(xiāo)量很差，因此本次定價(jià)格外謹(jǐn)慎。該企業(yè)先根據(jù)成本以及市面上該類(lèi)產(chǎn)品的競(jìng)品價(jià)格，初步將價(jià)格區(qū)間設(shè)定在50-100之間。很顯然，這價(jià)格區(qū)間是一個(gè)非常寬泛的范圍。為了科學(xué)合理的確定最終價(jià)格，該企業(yè)決定讓運(yùn)營(yíng)部基于數(shù)據(jù)分析來(lái)給出一個(gè)相對(duì)精準(zhǔn)、相對(duì)靠譜的價(jià)格設(shè)定，即通過(guò)一定的技術(shù)手段確定這款新產(chǎn)品的最優(yōu)價(jià)格設(shè)定應(yīng)是多少？較為合理的價(jià)格區(qū)間又是多少？（三）問(wèn)題的解決思路產(chǎn)品價(jià)格的制定既不能違背經(jīng)濟(jì)發(fā)展的客觀規(guī)律，也不能完全堅(jiān)持固有的理論模型；因此，我們需要找到一種方法，根據(jù)具體的產(chǎn)品市場(chǎng)和競(jìng)爭(zhēng)情況來(lái)確定價(jià)格的一致性，從而得到最優(yōu)的銷(xiāo)售價(jià)格。由于企業(yè)經(jīng)營(yíng)的多樣性，對(duì)市場(chǎng)的理解和態(tài)度也不同，因此企業(yè)制定產(chǎn)品價(jià)格的目標(biāo)和策略也不同。該企業(yè)數(shù)據(jù)分析員在查閱相關(guān)資料后決定通過(guò)問(wèn)卷調(diào)查的方式，對(duì)獲取到的數(shù)據(jù)進(jìn)行價(jià)格敏感度測(cè)試，最終得到一個(gè)合理的理論價(jià)格。2PSM的原理

PSM即：PriceSensitivityMeasurement，是一種簡(jiǎn)單適用的價(jià)格敏感度測(cè)試方法。

PSM通常依次詢(xún)問(wèn)被訪者4種價(jià)格:樂(lè)意購(gòu)買(mǎi)、物超所值的價(jià)格（低的價(jià)格）；太便宜以至于不愿意購(gòu)買(mǎi)的價(jià)格（太低的價(jià)格）、貴但仍能接受的價(jià)格（高的價(jià)格）、太貴以至于不愿意購(gòu)買(mǎi)的價(jià)格（太高的價(jià)格）?；诒辉L者數(shù)據(jù)，統(tǒng)計(jì)出四種價(jià)格在具體價(jià)格點(diǎn)上頻數(shù)與頻數(shù)累積的百分比（如表7-1所示）PSM完全基于被訪者的自然反應(yīng)，充分考慮顧客購(gòu)買(mǎi)的主觀意愿，又兼顧企業(yè)經(jīng)濟(jì)利益最大化的追求，但沒(méi)有與任何競(jìng)品做比較，只做單一品牌產(chǎn)品價(jià)格測(cè)試。旨在測(cè)試產(chǎn)品在不同價(jià)格下對(duì)顧客的價(jià)值，以此預(yù)測(cè)最優(yōu)定價(jià)以及定價(jià)的合理區(qū)間。PSM能夠有效界定價(jià)格區(qū)間，可通過(guò)價(jià)格趨勢(shì)圖、氣泡圖、正態(tài)分布圖等展示合適的產(chǎn)品定價(jià)策略。特別是在新產(chǎn)品上市前，PSM適用于對(duì)目標(biāo)顧客群體中產(chǎn)品的可接受價(jià)格水平進(jìn)行深入研究，從消費(fèi)者那里獲得產(chǎn)品價(jià)格的可接受范圍。3PSM的流程PSM流程的四個(gè)階段：（1）問(wèn)卷與價(jià)格梯度表設(shè)計(jì)。①基于成本導(dǎo)向、競(jìng)爭(zhēng)導(dǎo)向的定價(jià)方法等，設(shè)計(jì)出能夠覆蓋產(chǎn)品可能價(jià)格范圍的價(jià)格梯度表。②基于產(chǎn)品，設(shè)計(jì)詢(xún)問(wèn)受訪者的四類(lèi)價(jià)格問(wèn)題。問(wèn)題1（Q1）：你感覺(jué)什么樣的價(jià)格便宜且愿意購(gòu)買(mǎi)嗎？問(wèn)題2（Q2）：你感覺(jué)什么樣的價(jià)格高但還愿意購(gòu)買(mǎi)嗎？問(wèn)題3（Q3）：你感覺(jué)什么樣的價(jià)格太高而不會(huì)購(gòu)買(mǎi)嗎？問(wèn)題4（Q4）：你感覺(jué)什么樣的價(jià)格太便宜的讓人懷疑產(chǎn)品質(zhì)量等而不敢購(gòu)買(mǎi)嗎？PSM測(cè)量問(wèn)卷中也可以包括其他題項(xiàng)，如從消費(fèi)者視角考慮被訪者的其他信息設(shè)計(jì)。PSM流程的四個(gè)階段：（2）問(wèn)卷調(diào)查。被訪者要在第一步獲得的價(jià)格梯度表上做出四項(xiàng)選擇：不可接受的太便宜價(jià)格、可接受的便宜價(jià)格，可接受的昂貴價(jià)格、不可接受的太貴價(jià)格。（3）數(shù)據(jù)處理。問(wèn)卷中的四個(gè)問(wèn)題需要遵循嚴(yán)格的數(shù)量次序，即同一個(gè)受訪者描述Q3、Q2、Q1、Q4四個(gè)問(wèn)題的價(jià)格在數(shù)量上是嚴(yán)格遞減關(guān)系，否則該樣本將會(huì)被剔除。為所獲得的樣本數(shù)據(jù)繪制累計(jì)百分比曲線圖。（4）結(jié)論描述。根據(jù)太低、低、高、太高四條曲線的交點(diǎn)來(lái)判斷被訪者可接受的產(chǎn)品價(jià)格區(qū)間和最優(yōu)價(jià)格設(shè)定。4PSM的優(yōu)缺點(diǎn)1.PSM優(yōu)點(diǎn)PSM既考慮了消費(fèi)者的意愿，又兼顧了企業(yè)經(jīng)濟(jì)利益最大化的追求，被廣泛應(yīng)用于市場(chǎng)研究的價(jià)格測(cè)試中。PSM特別適用于新產(chǎn)品的價(jià)格研究。2.PSM缺點(diǎn)PSM雖然考慮到了消費(fèi)者的意愿，卻忽視了消費(fèi)者的實(shí)際購(gòu)買(mǎi)能力。事實(shí)上，即使消費(fèi)者認(rèn)為價(jià)格合理，也會(huì)因購(gòu)買(mǎi)力受限而導(dǎo)致購(gòu)買(mǎi)失敗。5定價(jià)案例示范可視化信息1.搜索數(shù)據(jù)源2.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理3.派生列4.計(jì)算占比5.繪制PSM價(jià)格敏感度折線圖6.產(chǎn)品精準(zhǔn)定價(jià)策略分析流程：可視化信息1.探索數(shù)據(jù)源本案例所收集到的問(wèn)卷數(shù)據(jù)如表7-2所示。第1列表示價(jià)格，從50到100，后面4列分別代表“很劃算”、“便宜”、“有點(diǎn)貴”、“太貴”，下面的數(shù)值代表選擇此選項(xiàng)的人數(shù)，一共30個(gè)人。新建實(shí)驗(yàn)，保存之后從左邊數(shù)據(jù)源中拖拽“關(guān)系數(shù)據(jù)源”到中間畫(huà)布區(qū)，并在右邊參數(shù)數(shù)據(jù)源中選擇對(duì)應(yīng)的數(shù)據(jù)。執(zhí)行之后，在“關(guān)系數(shù)據(jù)源”節(jié)點(diǎn)鼠標(biāo)右鍵點(diǎn)擊，選擇查看輸出，即可查看本數(shù)據(jù)源詳細(xì)數(shù)據(jù)（如圖7-1所示）。圖7-1探索數(shù)據(jù)源可視化信息2.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理通過(guò)觀察源數(shù)據(jù)可以發(fā)現(xiàn)“很劃算”至“太貴”四列的數(shù)據(jù)類(lèi)型為文本型，需要將其改為數(shù)值型，此步驟可以通過(guò)平臺(tái)的“元數(shù)據(jù)編輯”節(jié)點(diǎn)實(shí)現(xiàn)，拖拽“元數(shù)據(jù)編輯”節(jié)點(diǎn)，并與數(shù)據(jù)源節(jié)點(diǎn)進(jìn)行關(guān)聯(lián)，如圖7-2所示。“元數(shù)據(jù)編輯”節(jié)點(diǎn)具體配置如圖7-3所示。圖7-2“元數(shù)據(jù)編輯”節(jié)點(diǎn)圖7-3元數(shù)據(jù)編輯可視化信息3.派生列新增四列數(shù)據(jù)，該新增列數(shù)據(jù)內(nèi)容分別為很劃算、便宜、有點(diǎn)貴以及太貴的累計(jì)求和，首先在左側(cè)找到派生列選項(xiàng)，將其拖拽到畫(huà)布區(qū)，并與“元數(shù)據(jù)編輯”節(jié)點(diǎn)進(jìn)行關(guān)聯(lián)，如圖7-4所示。圖7-4元數(shù)據(jù)編輯可視化信息3.派生列然后對(duì)其進(jìn)行配置，先在編輯表達(dá)式中輸入“sum([需要求和的列名]over（orderby[排序參照的列名]‘如需反向排序在中括號(hào)內(nèi)輸入desc’)”其具體操作步驟如圖7-5所示，處理后的結(jié)果如圖7-6所示。第一列表達(dá)式：sum([很劃算])over(orderby[價(jià)格]desc)第二列表達(dá)式：sum([便宜])over(orderby[價(jià)格]desc)第三列表達(dá)式：sum([有點(diǎn)貴])over(orderby[價(jià)格])第四列表達(dá)式：sum([太貴])over(orderby[價(jià)格])圖7-5派生列圖7-6輸出結(jié)果可視化信息3.派生列觀察派生列后的數(shù)據(jù)發(fā)現(xiàn)，“價(jià)格”列現(xiàn)在是降序狀態(tài)，需要修改成升序，使用“排序”節(jié)點(diǎn)可完成該操作，拖拽“排序”節(jié)點(diǎn)到畫(huà)布區(qū)，并與派生列相關(guān)聯(lián)，如圖7-7所示。圖7-7輸出結(jié)果可視化信息3.派生列在排序選項(xiàng)卡中選擇“價(jià)格”列，并將其排序方式修改為“asc（升序）”，其具體操作如圖7-8所示。圖7-8排序排序后的結(jié)果如圖7-9所示。圖7-9排序后結(jié)果可視化信息4.計(jì)算占比計(jì)算很劃算，便宜，有點(diǎn)貴，有點(diǎn)貴的占比是通過(guò)python節(jié)點(diǎn)進(jìn)行編寫(xiě)，拖拽“自定義模塊”中的“PYTHON腳本”，并與“排序”節(jié)點(diǎn)相關(guān)聯(lián)，如圖7-10所示。圖7-10“PYTHON腳本”可視化信息4.計(jì)算占比代碼詳細(xì)內(nèi)容如下所示，代碼詳情如圖7-11所示，計(jì)算占比后的結(jié)果如圖7-12所示。注：python節(jié)點(diǎn)上方有三個(gè)接入口，代表最多可以對(duì)三個(gè)數(shù)據(jù)源同時(shí)進(jìn)行操作，分別對(duì)應(yīng)著dataframe1、dataframe2、dataframe3。#import是導(dǎo)入庫(kù)的過(guò)程importnumpyasnpimportpandasaspd

defexecute(dataframe1=None,dataframe2=None,dataframe3=None):dataframe1.columns=['價(jià)格','很劃算','便宜','有點(diǎn)貴','太貴','很劃算累計(jì)','便宜累計(jì)','有點(diǎn)貴累計(jì)','太貴累計(jì)']#第一行是連接表格的代碼，第二行是表格列名的設(shè)置。#新建占比列dataframe1['很劃算占比']=round((dataframe1['很劃算累計(jì)']/20),2).astype(float)dataframe1['便宜占比']=round((dataframe1['便宜累計(jì)']/56),2).astype(float)dataframe1['有點(diǎn)貴占比']=round((dataframe1['有點(diǎn)貴累計(jì)']/29),2).astype(float)dataframe1['太貴占比']=round((dataframe1['太貴累計(jì)']/75),2).astype(float)returndataframe1可視化信息4.計(jì)算占比圖7-11python代碼編寫(xiě)圖7-12占比結(jié)果可視化信息4.計(jì)算占比將關(guān)系目標(biāo)源節(jié)點(diǎn)拖拽到畫(huà)布區(qū)，并與前序節(jié)點(diǎn)相關(guān)聯(lián)，如圖7-13所示。圖7-13關(guān)系目標(biāo)源可視化信息4.計(jì)算占比選擇對(duì)應(yīng)的數(shù)據(jù)源和SCHEMA，最后對(duì)數(shù)據(jù)表進(jìn)行命名，具體操作如圖7-14所示。圖7-14關(guān)系目標(biāo)源參數(shù)配置可視化信息5.繪制PSM價(jià)格敏感度折線圖 為了繪制PSM價(jià)格敏感度折線圖，選用可視化看板整體呈現(xiàn)。在后臺(tái)“分析展現(xiàn)”板塊創(chuàng)建自助儀表盤(pán)可達(dá)到效果，由于自助儀表盤(pán)只接受“數(shù)據(jù)集”和“業(yè)務(wù)主題”數(shù)據(jù)源，因此首先需要將導(dǎo)出的表制作成數(shù)據(jù)集。（1）自助數(shù)據(jù)集在數(shù)據(jù)集界面搜索欄點(diǎn)擊“自助數(shù)據(jù)集”，如圖7-15所示。圖7-15進(jìn)入自助數(shù)據(jù)集可視化信息5.繪制PSM價(jià)格敏感度折線圖 找到目標(biāo)數(shù)據(jù)表，將其另存為數(shù)據(jù)集，其設(shè)置如圖7-16所示。圖7-16自助數(shù)據(jù)集可視化信息5.繪制PSM價(jià)格敏感度折線圖 （2）繪制PSM價(jià)格敏感度折線圖PSM價(jià)格敏感度折線圖的繪制需要在“自助儀表盤(pán)”模塊進(jìn)行，因此首先需要新建一個(gè)自助儀表盤(pán)，如圖7-17所示。圖7-17自助儀表盤(pán)可視化信息5.繪制PSM價(jià)格敏感度折線圖 制作PSM價(jià)格敏感度折線圖，創(chuàng)建清單表組件，拖入所有列，如下圖7-18所示。具體各指標(biāo)的交叉點(diǎn)說(shuō)明如表7-3所示。圖7-18選擇指標(biāo)數(shù)據(jù)可視化信息5.繪制PSM價(jià)格敏感度折線圖 最終圖形如下圖7-19所示。圖7-19最終圖可視化信息5.繪制PSM價(jià)格敏感度折線圖 可視化信息6.產(chǎn)品精準(zhǔn)定價(jià)策略分析得到圖7-20的結(jié)果后，總共4條態(tài)度線，它們共有4種交叉點(diǎn)價(jià)格，圖中可以看到：PMC值大概為59元，PME值約為78元，OPP值約為60元，IPP值約為71元。

那么說(shuō)明：定價(jià)時(shí)不能低于59元，否則用戶(hù)會(huì)覺(jué)得產(chǎn)品價(jià)格過(guò)于便宜；同時(shí)也不能高于78元，否則用戶(hù)會(huì)覺(jué)得價(jià)格太高。即價(jià)格區(qū)間應(yīng)該介于59～78元之間。同時(shí)，價(jià)格最好不能為IPP值即71元，因?yàn)檫@個(gè)價(jià)格讓用戶(hù)覺(jué)得好像有點(diǎn)便宜又好像有點(diǎn)貴，有點(diǎn)模糊。最好的價(jià)格是OPP值即60元。

當(dāng)然OPP值只是個(gè)從圖來(lái)看的值，實(shí)際研究中通常會(huì)將價(jià)格區(qū)間59～70元作為一個(gè)參考，也可以制定價(jià)格為65元均可，最終還需要似實(shí)際情況共同而定。6思考題1.通過(guò)相關(guān)模塊，掌握營(yíng)銷(xiāo)PSM模型的應(yīng)用。2.列舉一些PSM模型在其他領(lǐng)域的應(yīng)用。12基于決策樹(shù)的消費(fèi)者響應(yīng)預(yù)測(cè)Let’sStart第8章決策樹(shù)的工作原理Howadecisiontreeworks構(gòu)造決策樹(shù)的算法Algorithmsforconstructingdecisiontrees問(wèn)題的提出RaiseaquestionCONTENTS目錄消費(fèi)者響應(yīng)預(yù)測(cè)案例示范Consumerresponsepredictioncasedemonstration思考題Thinkingproblems1問(wèn)題的提出（一）促銷(xiāo)與消費(fèi)者響應(yīng)促銷(xiāo)是營(yíng)銷(xiāo)者主動(dòng)與消費(fèi)者溝通，將各種刺激產(chǎn)品消費(fèi)的信息傳遞給消費(fèi)者，吸引消費(fèi)者購(gòu)買(mǎi)的一種活動(dòng)，常見(jiàn)的促銷(xiāo)策略包括廣告、人員推銷(xiāo)、營(yíng)業(yè)推廣、公共關(guān)系和網(wǎng)絡(luò)營(yíng)銷(xiāo)等。消費(fèi)者響應(yīng)是指消費(fèi)者對(duì)企業(yè)行為的態(tài)度以及所形成的消費(fèi)意愿。日常生活中，消費(fèi)者感知到的促銷(xiāo)具體手段有很多種，例如樣品、折價(jià)券、現(xiàn)金返還、買(mǎi)贈(zèng)、滿(mǎn)減、抽獎(jiǎng)等。這些手段往往都能給消費(fèi)者帶來(lái)附加價(jià)值，從而激勵(lì)消費(fèi)者購(gòu)買(mǎi)。然而，附加價(jià)值對(duì)消費(fèi)者的激勵(lì)作用存在邊際遞減效應(yīng)。當(dāng)附加價(jià)值達(dá)到某一水平后，每為消費(fèi)者增加一個(gè)單位的附加價(jià)值所產(chǎn)生的銷(xiāo)售利潤(rùn)轉(zhuǎn)為負(fù)數(shù)。因此，企業(yè)需要確定附加價(jià)值的大小，如分發(fā)樣品的數(shù)量、折價(jià)券的具體折扣、滿(mǎn)減時(shí)的標(biāo)準(zhǔn)設(shè)定等。（一）促銷(xiāo)與消費(fèi)者響應(yīng)傳統(tǒng)營(yíng)銷(xiāo)中的促銷(xiāo)工具選擇往往是根據(jù)企業(yè)以往經(jīng)驗(yàn)以及競(jìng)爭(zhēng)對(duì)手水平來(lái)確定的，即使有些企業(yè)會(huì)調(diào)研消費(fèi)者對(duì)不同促銷(xiāo)手段的反應(yīng)，但也只是事后才能知道促銷(xiāo)的效果，僅能為以后的促銷(xiāo)活動(dòng)提供參考。在大數(shù)據(jù)背景下，企業(yè)可以通過(guò)對(duì)比消費(fèi)者以往的購(gòu)買(mǎi)行為數(shù)據(jù)和企業(yè)相應(yīng)的優(yōu)惠措施及優(yōu)惠程度，預(yù)先測(cè)試出消費(fèi)者對(duì)不同優(yōu)惠程度的反應(yīng)，通過(guò)建模判斷出企業(yè)提供的附加價(jià)值的邊際臨界值，以最小成本獲得最優(yōu)消費(fèi)激勵(lì)效果。（二）問(wèn)題設(shè)計(jì)數(shù)字時(shí)代，如何采取有效的廣告策略，如何引發(fā)消費(fèi)者積極的響應(yīng)，一直是消費(fèi)者行為學(xué)的一個(gè)熱點(diǎn)議題?，F(xiàn)實(shí)中，大量商家經(jīng)常給消費(fèi)者發(fā)送促銷(xiāo)短信，特別是一些重要的節(jié)日前后，期望產(chǎn)生更多的購(gòu)買(mǎi)行為。但通常只會(huì)有部分消費(fèi)者做出積極響應(yīng)，因此，知曉哪些消費(fèi)者更有可能對(duì)企業(yè)促銷(xiāo)信息產(chǎn)生積極響應(yīng)對(duì)于優(yōu)化精準(zhǔn)營(yíng)銷(xiāo)策略、提升營(yíng)銷(xiāo)效果具有重要意義。精準(zhǔn)營(yíng)銷(xiāo)就是找準(zhǔn)時(shí)機(jī)，利用正確的通道向消費(fèi)者傳達(dá)合適的信息，從而促使消費(fèi)者做出企業(yè)所期待的響應(yīng)。決策樹(shù)算法基于一系列歸納算法的規(guī)則進(jìn)行數(shù)據(jù)分類(lèi)，是一種典型的用于預(yù)測(cè)的算法。某公司數(shù)據(jù)分析運(yùn)營(yíng)專(zhuān)員準(zhǔn)備運(yùn)用決策樹(shù)算法分析市場(chǎng)部收集到的客戶(hù)人群特征數(shù)據(jù)，挖掘出客戶(hù)對(duì)于營(yíng)銷(xiāo)活動(dòng)的反應(yīng)，從而專(zhuān)門(mén)推送廣告給會(huì)響應(yīng)營(yíng)銷(xiāo)活動(dòng)的客戶(hù)，以幫助企業(yè)減少成本。（三）問(wèn)題的解決思路以往企業(yè)在分析促銷(xiāo)效果時(shí)存在明顯的滯后性，并且有一些促銷(xiāo)效果難以用量化的數(shù)據(jù)統(tǒng)計(jì)分析。在當(dāng)前大數(shù)據(jù)背景下，企業(yè)可以持續(xù)跟蹤營(yíng)銷(xiāo)信息投放以及目標(biāo)消費(fèi)者響應(yīng)的實(shí)時(shí)反饋，能夠?qū)崟r(shí)監(jiān)測(cè)營(yíng)銷(xiāo)信息的投放效果，進(jìn)而調(diào)整與優(yōu)化營(yíng)銷(xiāo)策略。消費(fèi)者響應(yīng)預(yù)測(cè)是基于以往數(shù)據(jù)，包括產(chǎn)品總體銷(xiāo)量情況、用戶(hù)消費(fèi)情況、流量情況以及競(jìng)爭(zhēng)情況等。本案例的基本思路是建立客戶(hù)人群特征數(shù)據(jù)的決策樹(shù)模型，具體如下：①首先觀察數(shù)據(jù)，以找到主要特征屬性；②通過(guò)模擬得出營(yíng)銷(xiāo)活動(dòng)響應(yīng)的預(yù)測(cè)模型；③根據(jù)模型結(jié)果為電商賣(mài)家營(yíng)銷(xiāo)策略提供建議。根據(jù)營(yíng)銷(xiāo)廣告的投放情況，利用可視化的手段對(duì)本次營(yíng)銷(xiāo)活動(dòng)的效果進(jìn)行分析，最終形成廣告投放優(yōu)化建議。2決策樹(shù)的工作原理

決策樹(shù)是一種常用的以樹(shù)形結(jié)構(gòu)表達(dá)的分類(lèi)算法，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，每個(gè)葉節(jié)點(diǎn)代表一種類(lèi)別。根節(jié)點(diǎn)到每個(gè)葉子節(jié)點(diǎn)均形成一條分類(lèi)的路徑規(guī)則，如圖8-1所示。而對(duì)新的樣本進(jìn)行測(cè)試時(shí)，只需要從根節(jié)點(diǎn)開(kāi)始，在每個(gè)分支節(jié)點(diǎn)進(jìn)行測(cè)試，沿著相應(yīng)的分支遞歸地進(jìn)入子樹(shù)再測(cè)試，一直到達(dá)葉子節(jié)點(diǎn)，該葉子節(jié)點(diǎn)所代表的類(lèi)別即是當(dāng)前測(cè)試樣本的預(yù)測(cè)類(lèi)別。決策樹(shù)內(nèi)部節(jié)點(diǎn)用矩形表示，葉子節(jié)點(diǎn)用橢圓表示。在決策樹(shù)中，每個(gè)葉節(jié)點(diǎn)都賦予一個(gè)類(lèi)標(biāo)簽。每個(gè)非終結(jié)點(diǎn)（包括根節(jié)點(diǎn)以及內(nèi)部節(jié)點(diǎn)）則對(duì)應(yīng)一個(gè)屬性測(cè)試條件。從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的每一條路徑都是決策樹(shù)的一條完整規(guī)則。圖8-1決策樹(shù)工作原理決策樹(shù)法是隨機(jī)決策模型中最常見(jiàn)、最普及的一種決策模式和方法。決策樹(shù)法屬于風(fēng)險(xiǎn)型決策方法，可有效地控制了決策帶來(lái)的風(fēng)險(xiǎn)。不同于確定型決策方法，應(yīng)用決策樹(shù)決策方法必須具備以下條件：（1）具有決策者期望達(dá)到的明確目標(biāo)（2）存在決策者可以選擇的兩個(gè)以上的可行的備選方案；（3）存在決策者無(wú)法控制的兩個(gè)以上不確定因素（如氣候變化、市場(chǎng)行情、經(jīng)濟(jì)發(fā)展動(dòng)向等）；（4）不同方案在不同因素下的收益或損失（簡(jiǎn)稱(chēng)損益值）可以計(jì)算出來(lái)；（5）決策者可以估計(jì)不確定因素發(fā)生的概率。當(dāng)今的社會(huì)經(jīng)濟(jì)活動(dòng)中，競(jìng)爭(zhēng)日趨激烈，現(xiàn)代企業(yè)的經(jīng)營(yíng)方向面臨著許多可供選擇的方案，如何用最少的資源，贏得最大的利潤(rùn)以及最大限度地降低企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)，是企業(yè)決策者經(jīng)常面對(duì)的決策問(wèn)題，決策樹(shù)法能簡(jiǎn)單明了地幫助企業(yè)決策層分析企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)和經(jīng)營(yíng)方向。3構(gòu)造決策樹(shù)的算法可視化信息數(shù)字經(jīng)濟(jì)時(shí)代下，作為一種戰(zhàn)略性生產(chǎn)要素，數(shù)據(jù)參與到價(jià)值主張、價(jià)值創(chuàng)造、價(jià)值交付、價(jià)值捕獲的全過(guò)程，而算法則是收集、處理數(shù)據(jù)，從而獲取營(yíng)銷(xiāo)洞察的戰(zhàn)略性工具。決策樹(shù)算法是運(yùn)用樹(shù)狀圖表示各決策的期望值，通過(guò)計(jì)算，最終優(yōu)選出效益最大、成本最小的決策方法。1.ID3算法1979年昆蘭提出了ID3算法，ID3算法是通過(guò)計(jì)算節(jié)點(diǎn)的信息增益來(lái)選擇節(jié)點(diǎn)屬性。信息增益越大，則表示使用該屬性作為節(jié)點(diǎn)對(duì)數(shù)據(jù)集劃分所獲得的"純度提升"越大。所以信息增益可以用于決策樹(shù)劃分屬性的選擇，其實(shí)就是選擇信息增益最大的屬性，ID3算法就是采用的信息增益來(lái)劃分屬性。ID3算法的規(guī)則相對(duì)簡(jiǎn)單，可解釋性強(qiáng)。但同時(shí)存在缺陷，它傾向于選擇取值比較多的屬性，所以存在有些屬性可能對(duì)分類(lèi)任務(wù)沒(méi)有太大作用（比如編號(hào)，但一般不會(huì)選擇編號(hào)字段作為一個(gè)屬性），但是這些屬性仍然會(huì)被選為最優(yōu)屬性。這種缺陷不是每次都會(huì)發(fā)生，只是存在一定概率，但針對(duì)可能發(fā)生的缺陷，后人提出了新的算法進(jìn)行改進(jìn)。2.C4.5算法C4.5算法采用基于信息增益率的方法遞歸選擇屬性形成決策樹(shù)，其中信息增益率=信息增益/屬性熵。ID3算法在計(jì)算時(shí)傾向于選擇取值比較多的屬性，但當(dāng)屬性有很多值的時(shí)候，相當(dāng)于被劃分成了許多份，雖然信息增益變大了，屬性熵也會(huì)變大，所以整體的信息增益率并不大，因此，C4.5算法避免了ID3算法的這個(gè)缺陷。ID3算法在構(gòu)造決策樹(shù)的時(shí)候，容易出現(xiàn)“過(guò)擬合”現(xiàn)象。而在C4.5算法中，會(huì)在決策樹(shù)構(gòu)造之后采用悲觀剪枝。悲觀剪枝通過(guò)遞歸估算每個(gè)內(nèi)部節(jié)點(diǎn)的分類(lèi)錯(cuò)誤率，比較剪枝前后這個(gè)節(jié)點(diǎn)的分類(lèi)錯(cuò)誤率來(lái)決定是否對(duì)其進(jìn)行剪枝，以提升決策樹(shù)的泛化能力。相比于ID3算法，C4.5算法用信息增益率替代了信息增益，解決了噪聲敏感的問(wèn)題，并且可以對(duì)構(gòu)造樹(shù)進(jìn)行剪枝，同時(shí)還能處理連續(xù)數(shù)值與數(shù)值缺失的情況。不過(guò)，由于C4.5需要對(duì)數(shù)據(jù)集進(jìn)行多次掃描，算法效率相對(duì)較低。3.Cart算法CART算法是一種應(yīng)用廣泛的決策樹(shù)學(xué)習(xí)方法。Cart被稱(chēng)為分類(lèi)回歸樹(shù)，既能是分類(lèi)樹(shù)，也能是回歸樹(shù)。Cart算法與ID3、C4.5算法的不同之處在于Cart算法生成的必須是二叉樹(shù)。也就是說(shuō)，不管是回歸還是分類(lèi)問(wèn)題，不管是離散型還是連續(xù)型特征變量，不管是有多個(gè)還是兩個(gè)屬性取值，內(nèi)部節(jié)點(diǎn)只能二分每一個(gè)屬性值。在用于分類(lèi)問(wèn)題時(shí)，Cart算法使用Gini（基尼）指數(shù)最小化準(zhǔn)則來(lái)選擇特征劃分類(lèi)型?；嶂笖?shù)（Gini不純度）表示在樣本集合中一個(gè)隨機(jī)選中的樣本被分錯(cuò)的概率。Gini指數(shù)越小表示集合中被選中的樣本被參錯(cuò)的概率越小，也就是說(shuō)集合的純度越高，反之，集合純度越低。當(dāng)集合中所有樣本為一個(gè)類(lèi)時(shí)，基尼指數(shù)為0。所以Cart算法選擇Gini指數(shù)小的屬性作為決策樹(shù)節(jié)點(diǎn)。4消費(fèi)者響應(yīng)預(yù)測(cè)案例示范可視化信息1.探索數(shù)據(jù)源2.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理3.構(gòu)建決策樹(shù)模型4.預(yù)測(cè)得到高響應(yīng)率客戶(hù)5.對(duì)賣(mài)家提出促銷(xiāo)策略6.從廣告營(yíng)銷(xiāo)效果角度進(jìn)行可視化分析7.從客戶(hù)個(gè)人屬性角度進(jìn)行可視化分析8.對(duì)廣告營(yíng)銷(xiāo)投放的優(yōu)化流程：1.探索數(shù)據(jù)源案例使用到的數(shù)據(jù)包含兩部門(mén)：一是訓(xùn)練集數(shù)據(jù)，二是測(cè)試集數(shù)據(jù)。收集到的該賣(mài)家的歷史客戶(hù)人群特征訂單數(shù)據(jù)包含以下字段：客戶(hù)昵稱(chēng)、用戶(hù)等級(jí)、用戶(hù)價(jià)值度、用戶(hù)活躍度、年齡、性別、收貨地址、寶貝種類(lèi)、寶貝數(shù)量、支付金額、總瀏覽量、是否響應(yīng)。訓(xùn)練集共200條數(shù)據(jù)，測(cè)試集共有100條數(shù)據(jù)。注：特征變量數(shù)為10，“是否響應(yīng)”字段為目標(biāo)變量?jī)H存在于訓(xùn)練集中不存在于測(cè)試集中。表8-1為“客戶(hù)特征數(shù)據(jù)”（共100條數(shù)據(jù)，此處只顯示前10條數(shù)據(jù)），表中包含了統(tǒng)計(jì)日期內(nèi)的用戶(hù)等級(jí)、用戶(hù)活躍度、用戶(hù)價(jià)值度以及支付金額等。表8-2為重要指標(biāo)詳解。首先將本實(shí)訓(xùn)用到的數(shù)據(jù)導(dǎo)入【關(guān)系數(shù)據(jù)源】中，新建實(shí)驗(yàn)并保存實(shí)驗(yàn)后，從左邊數(shù)據(jù)源模塊拖拽“關(guān)系數(shù)據(jù)源”節(jié)點(diǎn)至畫(huà)布區(qū)，并在右邊參數(shù)區(qū)根據(jù)自己上傳數(shù)據(jù)時(shí)所保存的路徑找到數(shù)據(jù)表。隨后右擊“關(guān)系數(shù)據(jù)源”節(jié)點(diǎn)并點(diǎn)擊“執(zhí)行到此處”，執(zhí)行成功后右擊查看關(guān)系數(shù)據(jù)源節(jié)點(diǎn)的輸出結(jié)果，輸出部分?jǐn)?shù)據(jù)如圖8-2所示。圖8-2數(shù)據(jù)源2.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理

（1）將字符型字段進(jìn)行特征轉(zhuǎn)換由于算法模型的字段僅支持?jǐn)?shù)值型格式，所以需要將字符型字段轉(zhuǎn)換成數(shù)值型，這里需要用到“特征轉(zhuǎn)換”節(jié)點(diǎn)來(lái)實(shí)現(xiàn)特征類(lèi)型的轉(zhuǎn)換。如圖8-3所示，選擇【特征工程】中的“特征選擇”節(jié)點(diǎn)，在選擇特征列中將需要轉(zhuǎn)換類(lèi)型的文本型字段“性別”和“收貨地址”添加到“已選字段列表”中，進(jìn)行特征轉(zhuǎn)換，為后續(xù)模型的訓(xùn)練做準(zhǔn)備。圖8-3選擇需要進(jìn)行轉(zhuǎn)換的特征列添加【特征工程】中的“特征轉(zhuǎn)換”節(jié)點(diǎn)至畫(huà)布區(qū)，該節(jié)點(diǎn)的作用是為轉(zhuǎn)換特征列增添后綴名而形成新的一列字段。該新增后綴名如圖8-4所示，為Index。圖8-4新增后綴名通過(guò)抽取、變換進(jìn)行特征轉(zhuǎn)化處理，流程如圖8-5所示圖8-5流程圖變換后的新列列名及對(duì)應(yīng)數(shù)值如表8-3所示。“性別”字段轉(zhuǎn)換為“column6Index”，“收貨地址”字段轉(zhuǎn)換為“column7Index”，具體見(jiàn)圖8-6所示。圖8-6訓(xùn)練集進(jìn)行特征轉(zhuǎn)化后的字段（2）特征選擇將進(jìn)行數(shù)值轉(zhuǎn)換好后的字段需進(jìn)行特征選擇操作，為后續(xù)模型訓(xùn)練做準(zhǔn)備。它的具體作用是從數(shù)據(jù)集中選取有用特征，用于分類(lèi)預(yù)測(cè)或者回歸預(yù)測(cè)算法的訓(xùn)練。其中標(biāo)簽列必選，具體的特征列和標(biāo)簽列配置如下圖8-7所示。圖8-7選擇特征列和標(biāo)簽列所選擇特征列的字段為與所需要預(yù)測(cè)的“是否響應(yīng)”字段有較大相關(guān)性的特征字段，這里需注意的是特征列中應(yīng)選擇數(shù)值型字段和已經(jīng)進(jìn)行了特征變換的字段，對(duì)于已經(jīng)進(jìn)行了特征變換后的字段，即以Index結(jié)尾的字段，即“column6Index”和“column7Index”。而標(biāo)簽列為后續(xù)所需要預(yù)測(cè)的“是否響應(yīng)”字段。3.構(gòu)建決策樹(shù)模型（1）算法選擇&模型訓(xùn)練回顧本案例的目的是對(duì)電商客戶(hù)對(duì)營(yíng)銷(xiāo)活動(dòng)的響應(yīng)預(yù)測(cè)，這屬于分類(lèi)問(wèn)題，對(duì)應(yīng)的算法為分類(lèi)算法，此處選擇決策樹(shù)算法。該算法是多酚類(lèi)算法，是一種流行的機(jī)器學(xué)習(xí)分類(lèi)算法，算法的核心是信息熵。它通過(guò)計(jì)算每個(gè)屬性的信息增益，認(rèn)為信息增益高的屬性是好屬性，每次劃分選擇信息增益最高的屬性作為劃分標(biāo)準(zhǔn)，重復(fù)這個(gè)過(guò)程，直至生成一個(gè)好的分類(lèi)訓(xùn)練樣本的決策樹(shù)。拖拽【機(jī)器學(xué)習(xí)】-【分類(lèi)算法】-【多分類(lèi)算法】中的“決策樹(shù)”節(jié)點(diǎn)和【數(shù)據(jù)預(yù)處理】中的“拆分”節(jié)點(diǎn)至畫(huà)布區(qū)，“拆分”上節(jié)點(diǎn)承接進(jìn)行了“行選擇1”操作后的訓(xùn)練集。數(shù)據(jù)拆分是將原始樣本集按照訓(xùn)練集和測(cè)試集的方式拆分為兩個(gè)子集。拆分后各個(gè)子集的比例總和小于等于100%。數(shù)據(jù)拆分經(jīng)常作為回歸或者分類(lèi)算法節(jié)點(diǎn)的前置節(jié)點(diǎn)。具體的算法參數(shù)配置如圖8-8所示，圖8-8決策樹(shù)算法的參數(shù)配置分裂特征的數(shù)量為32，樹(shù)的深度為4。“拆分”節(jié)點(diǎn)的參數(shù)配置如圖8-9所示，數(shù)據(jù)集占比為0.7，隨機(jī)種子默認(rèn)為1。圖8-9拆分節(jié)點(diǎn)的參數(shù)配置選擇【機(jī)器學(xué)習(xí)】-【訓(xùn)練】中的“訓(xùn)練”節(jié)點(diǎn)和【機(jī)器學(xué)習(xí)】中的“預(yù)測(cè)”節(jié)點(diǎn)至畫(huà)布區(qū)?！坝?xùn)練”節(jié)點(diǎn)是基于選擇的特征，對(duì)各種分類(lèi)和回歸算法進(jìn)行訓(xùn)練，左邊輸入為待訓(xùn)練的算法，右邊輸入則為訓(xùn)練集。而“預(yù)測(cè)”節(jié)點(diǎn)是根據(jù)訓(xùn)練集以及各種分類(lèi)或回歸算法對(duì)測(cè)試集進(jìn)行結(jié)果預(yù)測(cè)，左邊輸入為已訓(xùn)練的模型或者已保存的模型，右邊輸入為測(cè)試集。最終將模型預(yù)測(cè)的結(jié)果承接給“評(píng)估”節(jié)點(diǎn)，對(duì)分類(lèi)算法模型的預(yù)測(cè)效果進(jìn)行評(píng)估，檢驗(yàn)?zāi)Ｐ驮诜诸?lèi)任務(wù)中的表現(xiàn)或者檢驗(yàn)其在回歸任務(wù)中的可靠性。運(yùn)行并查看評(píng)估節(jié)點(diǎn)，具體評(píng)估結(jié)果如圖8-10和圖8-111所示。圖8-10評(píng)估結(jié)果1圖8-11評(píng)估結(jié)果2混淆矩陣也稱(chēng)誤差矩陣，是表示精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式，用n行n列的矩陣形式來(lái)表示。在數(shù)據(jù)挖掘領(lǐng)域，混淆矩陣是可視化工具，特別用于監(jiān)督學(xué)習(xí)?；煜仃嚨拿恳涣写砹祟A(yù)測(cè)類(lèi)別，每一列的總數(shù)表示預(yù)測(cè)為該類(lèi)別的數(shù)據(jù)的數(shù)目；每一行代表了數(shù)據(jù)的真實(shí)歸屬類(lèi)別，每一行的數(shù)據(jù)總數(shù)表示該類(lèi)別的數(shù)據(jù)實(shí)例的數(shù)目。每一列中的數(shù)值表示真實(shí)數(shù)據(jù)被預(yù)測(cè)為該類(lèi)的數(shù)目。如圖8-11所示，第一行第一列中的表示有50個(gè)實(shí)際歸屬0的實(shí)例被預(yù)測(cè)為0，同理，第一行第二列的4表示有4個(gè)實(shí)際歸屬為0的實(shí)例被錯(cuò)誤預(yù)測(cè)為1?？偟膩?lái)說(shuō)，預(yù)測(cè)正確的有52個(gè)，預(yù)測(cè)錯(cuò)誤的有6個(gè)。觀察評(píng)估結(jié)果1和結(jié)果2（圖8-11和圖8-12）可以看到，該模型的準(zhǔn)確率（預(yù)測(cè)某類(lèi)正確的樣本比例）為89.66%，召回率（真實(shí)為正的樣本中預(yù)測(cè)為正的樣本）為92.59%，可知該模型預(yù)測(cè)效果較好。（2）對(duì)測(cè)試集進(jìn)行相關(guān)操作將第二個(gè)“關(guān)系數(shù)據(jù)源”拖入畫(huà)布區(qū)，將“客戶(hù)特征數(shù)據(jù)-測(cè)試集”上傳至該數(shù)據(jù)源，由于該數(shù)據(jù)集的詳情數(shù)據(jù)已經(jīng)展示過(guò)了，這里不做過(guò)多陳述。對(duì)于訓(xùn)練集也需要進(jìn)行跟訓(xùn)練相關(guān)同樣的操作。一是，將文本型字段——“性別”和“收貨地址”進(jìn)行特征轉(zhuǎn)換為數(shù)值型字段，相關(guān)配置如圖8-12所示。圖8-12特征選擇的相關(guān)配置最終測(cè)試集的部分變換結(jié)果如圖8-13所示。圖8-13測(cè)試集進(jìn)行特征轉(zhuǎn)換的輸出二是，在進(jìn)行了特征變換后，進(jìn)行選擇特征列的操作。所選擇的特征列字段如圖8-14所示，注意選擇的字段應(yīng)為數(shù)值型字段。圖8-14特征選擇的相關(guān)配置4.預(yù)測(cè)得到高響應(yīng)率客戶(hù) 最后選擇【機(jī)器學(xué)習(xí)】中的“預(yù)測(cè)”節(jié)點(diǎn)對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行預(yù)測(cè)。預(yù)測(cè)節(jié)點(diǎn)是根據(jù)訓(xùn)練集以及各種分類(lèi)或回歸算法對(duì)測(cè)試集進(jìn)行結(jié)果預(yù)測(cè)，左邊輸入為已訓(xùn)練的模型或者已保存的模型，右邊輸入為測(cè)試集。因此“預(yù)測(cè)”節(jié)點(diǎn)的左邊應(yīng)放入第四步已經(jīng)進(jìn)行了訓(xùn)練的數(shù)據(jù)集。整體的工作流如下圖8-15所示。圖8-15整體工作流運(yùn)行第二個(gè)“預(yù)測(cè)”節(jié)點(diǎn)查看預(yù)測(cè)結(jié)果，在列最后出現(xiàn)新字段“prediction”即為預(yù)測(cè)的結(jié)果，如下圖8-16所示。圖8-16預(yù)測(cè)結(jié)果5.對(duì)賣(mài)家提出促銷(xiāo)策略 為了方便觀察預(yù)測(cè)結(jié)果，可以選擇“聚合”節(jié)點(diǎn)，對(duì)“prediction”中的結(jié)果進(jìn)行統(tǒng)計(jì)（如圖8-17所示）。根據(jù)該聚合結(jié)果，100名客戶(hù)中預(yù)測(cè)結(jié)果中，只有5名客戶(hù)會(huì)對(duì)營(yíng)銷(xiāo)活動(dòng)進(jìn)行響應(yīng)，可以得出客戶(hù)對(duì)于該商家的營(yíng)銷(xiāo)活動(dòng)響應(yīng)率是比較低的。圖8-17對(duì)預(yù)測(cè)結(jié)果進(jìn)行聚合觀察整體模型的訓(xùn)練和預(yù)測(cè)結(jié)果，可以為賣(mài)家提出的策略如下：①郵件營(yíng)銷(xiāo)。郵件營(yíng)銷(xiāo)是與電商客戶(hù)保持聯(lián)系的一種非常好的方式，可以與了解業(yè)務(wù)、并對(duì)電商產(chǎn)品感興趣的客戶(hù)直接進(jìn)行溝通。②營(yíng)銷(xiāo)自動(dòng)化。營(yíng)銷(xiāo)自動(dòng)化，可以降低成本、提高轉(zhuǎn)換率、增加平均訂單價(jià)值，甚至在某些情況下，提升購(gòu)物體驗(yàn)。作為一項(xiàng)技能，營(yíng)銷(xiāo)自動(dòng)化就是在自動(dòng)化平臺(tái)管理營(yíng)銷(xiāo)過(guò)程和工作流程?？梢哉业竭m合自己電商業(yè)務(wù)的自動(dòng)化營(yíng)銷(xiāo)工具，并學(xué)會(huì)如何利用它。③頁(yè)面設(shè)計(jì)。圖表和頁(yè)面設(shè)計(jì)是網(wǎng)絡(luò)營(yíng)銷(xiāo)的基本因素。廣告的方式、文章內(nèi)容、甚至是產(chǎn)品細(xì)節(jié)頁(yè)面外觀都影響著營(yíng)銷(xiāo)信息或產(chǎn)品如何被大眾感知。④書(shū)寫(xiě)，內(nèi)容營(yíng)銷(xiāo)。書(shū)寫(xiě)能力，本質(zhì)上就是能夠在網(wǎng)上交流。電商產(chǎn)品描述、博客帖子、引導(dǎo)文章、產(chǎn)品微視頻，都需要進(jìn)行書(shū)寫(xiě)。如果寫(xiě)得好，能幫助推廣電商產(chǎn)品。好的內(nèi)容營(yíng)銷(xiāo)是電商營(yíng)銷(xiāo)成功的一個(gè)關(guān)鍵點(diǎn)。6.從廣告營(yíng)銷(xiāo)效果角度進(jìn)行可視化分析時(shí)代在不停的變化，從傳統(tǒng)的報(bào)紙、電視，到現(xiàn)在的互聯(lián)網(wǎng)出現(xiàn)，廣告主才真正擦亮眼睛，不會(huì)盲目的投放，而是學(xué)會(huì)借助網(wǎng)絡(luò)的力量。然而，廣告投放是一門(mén)廣告投放運(yùn)營(yíng)人必備的功課之一，廣告投放一個(gè)最核心的目標(biāo)就是占領(lǐng)用戶(hù)的心智。廣告的作用就是告知、說(shuō)服、提醒、強(qiáng)化等功能。所以，廣告主的投放的目的就是希望能夠時(shí)不時(shí)的提醒用戶(hù)，讓用戶(hù)對(duì)你的產(chǎn)品進(jìn)行轉(zhuǎn)化。因而，如何持續(xù)優(yōu)化廣告投放策略，成為了眾多廣告主優(yōu)先考慮的問(wèn)題之一。將本實(shí)訓(xùn)用到的第二個(gè)數(shù)據(jù)源——廣告投放運(yùn)營(yíng)數(shù)據(jù)，對(duì)廣告投放效果進(jìn)行分析，提出可行的優(yōu)化意見(jiàn)。將數(shù)據(jù)上傳至【數(shù)據(jù)集】中，以便后續(xù)對(duì)廣告投放效果進(jìn)行可視化的分析。可視化將在【分析展現(xiàn)】中的【自助儀表盤(pán)】版塊進(jìn)行呈現(xiàn)，在數(shù)據(jù)搜索框中搜索已經(jīng)上傳至【數(shù)據(jù)集】中的數(shù)據(jù)名進(jìn)行搜索并點(diǎn)擊選擇。（1）各渠道點(diǎn)擊量可視化對(duì)廣告營(yíng)銷(xiāo)效果分析，首先從對(duì)各投放的渠道的廣告點(diǎn)擊量進(jìn)行可視化分析。數(shù)據(jù)源中的“廣告投放渠道”字段包含三個(gè)廣告渠道內(nèi)容：社交廣告、搜索廣告和媒體廣告。由于對(duì)各廣告渠道的客戶(hù)的廣告點(diǎn)擊量的統(tǒng)計(jì)，因此將包含三個(gè)廣告渠道內(nèi)容的“廣告投放渠道”字段拖入列區(qū)域，將“客戶(hù)昵稱(chēng)”字段拖入行區(qū)域，如下圖8-18所示。圖8-18選擇字段圖形選擇為“柱形圖”，如圖8-19所示。圖8-19圖形選擇對(duì)于圖形的坐標(biāo)軸以及圖形標(biāo)題的設(shè)置，可以在【組件設(shè)置】中進(jìn)行相關(guān)的設(shè)置。在組件部分可以看到相關(guān)標(biāo)題設(shè)置的選項(xiàng)區(qū)域，這里輸入標(biāo)題名稱(chēng)為“各渠道點(diǎn)擊量對(duì)比”并設(shè)置合適的字體大小和標(biāo)題位置，如圖8-20所示。圖8-20組件設(shè)置在【標(biāo)記】處選項(xiàng)卡中可以設(shè)置圖形的顏色，標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小。相關(guān)設(shè)置如圖8-21。圖8-21標(biāo)簽設(shè)置需要注意的是，想要達(dá)到對(duì)比的效果，這里需對(duì)各廣告渠道的客戶(hù)點(diǎn)擊量進(jìn)行排序，如上圖8-18中，對(duì)“客戶(hù)昵稱(chēng)”字段的排序方式設(shè)置為“升序排序”。最終各渠道點(diǎn)擊量對(duì)比可視化如下圖8-22所示。圖8-22各渠道點(diǎn)擊量對(duì)比從該可視化柱形圖（如圖8-22）中可以看出，在三個(gè)廣告渠道中，媒體廣告渠道的點(diǎn)擊量最多，搜索廣告渠道的點(diǎn)擊量最低。說(shuō)明了媒體廣告投放渠道要優(yōu)于搜索廣告和社交廣告渠道。（2）各渠道不同時(shí)間段點(diǎn)擊量可視化對(duì)各渠道投放廣告的時(shí)間段進(jìn)行可視化分析，拖入“廣告投放渠道”至行區(qū)域，“小時(shí)”字段至列區(qū)域。設(shè)置圖形為“柱圖”，并在【組件設(shè)置】中設(shè)置圖形的標(biāo)題為“各渠道不同時(shí)間段的點(diǎn)擊情況對(duì)比”。在“標(biāo)記”選項(xiàng)卡中可以設(shè)置圖形標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小。相關(guān)的設(shè)置如圖8-23所示。圖8-23字段選擇&標(biāo)簽設(shè)置最終各渠道不同時(shí)間段的點(diǎn)擊量情況對(duì)比圖，如下圖8-24所示。圖8-24各渠道不同時(shí)間段的點(diǎn)擊情況對(duì)比如圖8-24是三個(gè)廣告渠道不同時(shí)間段的點(diǎn)擊量對(duì)比柱形圖。結(jié)合各渠道點(diǎn)擊量對(duì)比柱形圖，可知點(diǎn)擊瀏覽媒體廣告的客戶(hù)數(shù)量最多，廣告點(diǎn)擊量在主要在早上5時(shí)、上午12時(shí)和晚間的20時(shí)。結(jié)合三個(gè)廣告渠道不同時(shí)間段的點(diǎn)擊情況，早晨3時(shí)至4時(shí)以及下午時(shí)段13時(shí)至17時(shí)的點(diǎn)擊量都比較低，這幾個(gè)時(shí)間段的廣告投放效果很差。當(dāng)然，點(diǎn)擊率的高低對(duì)比也受各時(shí)間段的瀏覽量影響，點(diǎn)擊率的低的時(shí)間段有可能是由于高瀏覽量造成，點(diǎn)擊率高的時(shí)間也有可能是由于低流量早晨。（3）各渠道周點(diǎn)擊量可視化對(duì)各渠道投放廣告以星期為時(shí)間段進(jìn)行可視化分析，拖入“廣告投放渠道”至行區(qū)域，“星期幾”字段至列區(qū)域。設(shè)置圖形為“柱圖”，并在【組件設(shè)置】中設(shè)置圖形的標(biāo)題為“各渠道周點(diǎn)擊情況對(duì)比”。在“標(biāo)記”選項(xiàng)卡中可以設(shè)置圖形標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小?？梢暬^(guò)程與上步驟相似，這里進(jìn)行省略。最終的可視化柱形圖如下圖8-25所示。圖8-25各渠道周點(diǎn)擊情況對(duì)比圖8-25統(tǒng)計(jì)出了各廣告渠道以星期為統(tǒng)計(jì)時(shí)間單位的點(diǎn)擊量情況對(duì)比柱形圖。通過(guò)分析可以看出這三個(gè)廣告渠道在周三點(diǎn)擊量在較高的水平，在周四的點(diǎn)擊量效果較差，其余時(shí)間點(diǎn)擊量比較平穩(wěn)，說(shuō)明周五的廣告投放率效果比較好。7.從客戶(hù)個(gè)