《大數(shù)據(jù)運營》大數(shù)據(jù)運營綜合應(yīng)用

大數(shù)據(jù)運營綜合應(yīng)用本章知識點（1）了解數(shù)據(jù)分析思維（2）了解大數(shù)據(jù)運營指標體系（3）掌握大數(shù)據(jù)運營分類（4）掌握網(wǎng)貸平臺逾期用戶分析01大數(shù)據(jù)運營思維與分類02數(shù)據(jù)可視化PART01大數(shù)據(jù)運營思維與分類數(shù)據(jù)分析思維1.對比在對數(shù)據(jù)進行分析時，如果單獨看某一天或某一類數(shù)據(jù)的信息，其實并沒有什么價值，比如某商店20年10月份的銷售額為5萬元，如果單獨出現(xiàn)并不能代表什么，如果是和上個月的數(shù)據(jù)進行對比，數(shù)據(jù)才變得有意義。對比是最基本的數(shù)據(jù)分析方法，是尋找事物的相同點和不同點的方法。對比思維可分為目標對比、時間對比、橫向?qū)Ρ群涂v切對比四種。目標對比：主要用于對目標、進度的管理，如完成率時間對比：按照時間維度進行對比，比如同比、環(huán)比橫向?qū)Ρ龋喊凑諜M向維度進行對比，比如某公司產(chǎn)品各個地區(qū)的銷量縱向?qū)Ρ龋焊鶕?jù)細分中的縱向維護進行對比，比如漏斗不同階段的轉(zhuǎn)化率數(shù)據(jù)分析思維演繹推理思維一般是從整體出發(fā)，尋找事物之間的邏輯，從而得到某個個體的特性。在數(shù)據(jù)分析中，我們會經(jīng)常用到演繹推理思維。比如某品牌于前一晚發(fā)放了優(yōu)惠券，第二天銷售量就得到了提升，此時我們可以推斷是發(fā)放優(yōu)惠券這個運營活動提升了銷量，此時用到的就是演繹推理思維。2.演繹推理3.假設(shè)4.拆分假設(shè)思維其實是從演繹思維中延伸出來的一種逆向思維，簡單來說就是在數(shù)據(jù)分析過程中，在不清楚結(jié)果時，通過不斷假設(shè)、不斷論證、不斷推理、不斷推翻原假設(shè)的方式，找到最終的真實原因或者結(jié)論。當某個數(shù)據(jù)指標是由多種因素共同得出的，此時我們可以對指標進行拆分。比如某服裝品牌當月銷售額下降，此時可以將銷售額拆分為成交用戶數(shù)*客單價，成交用戶數(shù)又等于訪客數(shù)*轉(zhuǎn)化率，在客單價不變得情況下，就可以通過分析訪客數(shù)和轉(zhuǎn)化率來得出銷售額下降的原因。數(shù)據(jù)分析思維當分析維度過多時，可以選擇去掉一些可由其他維度計算得到的維度。比如現(xiàn)有總用戶數(shù)、男性用戶數(shù)、女性用戶數(shù)3個屬性數(shù)據(jù)，由于總用戶數(shù)=男性用戶數(shù)+女性用戶數(shù)，此時從3個屬性數(shù)據(jù)中選擇2個留下即可。5.降維6.增維當已有的指標不能很好的解釋問題時，可以通過原有指標計算得出新的指標。比如原有數(shù)據(jù)中有訪客數(shù)、轉(zhuǎn)化率和客單價，此時如想知道銷售額，即可通過公式計算得出。數(shù)據(jù)分析思維7.漏斗漏斗分析是一套能夠科學地反映用戶行為狀態(tài)的流程式數(shù)據(jù)分析，其可以揭示每個關(guān)鍵環(huán)節(jié)的轉(zhuǎn)化率、流失率，鎖定主要問題所在，為全流程的改善提供參考建議。漏斗思維在日常數(shù)據(jù)運營中有廣泛應(yīng)用，包括產(chǎn)品轉(zhuǎn)化、流量監(jiān)控、購買流程、銷售管道、瀏覽路徑等。假如一個產(chǎn)品運營部門想要提升其購物APP的用戶活躍度，需要數(shù)據(jù)分析師給予決策依據(jù)。業(yè)務(wù)分析師接到此任務(wù)，首先需要知道的就是一般用戶的購買路徑，如“下載APP、注冊賬號、查看商品、加入購物車、購買商品”，數(shù)據(jù)分析師此時就可以采用漏斗分析的方式針對這幾個關(guān)鍵步驟開展數(shù)據(jù)分析。在進行漏斗分析時，首先在每個步驟中選取一個關(guān)鍵頁面，然后在每個頁面中選取PV（PageView）、平均停留時間這兩個指標。假設(shè)在分析中，我們發(fā)現(xiàn)在步驟3到步驟4的關(guān)鍵頁面中，客戶流失率較大，但步驟3中頁面停留時間較長，說明此商品已推送給目標用戶，但是可能由于商品價格、規(guī)格等因素客戶沒有加入到購物車，此時運營部門就要在步驟3中分析原因，給出改善策略。大數(shù)據(jù)運營指標體系新增用戶數(shù)新增用戶數(shù)包括日新增用戶數(shù)、用新增用戶數(shù)，是用來衡量一個產(chǎn)品能否持續(xù)運營的依據(jù)。如果一個產(chǎn)品新增用戶數(shù)隨著時間推移慢慢減少，而老用戶的活躍度又不斷降低，那么產(chǎn)品將很難繼續(xù)“生存”下去。活躍率活躍率是基于活躍用戶數(shù)量的，而活躍用戶數(shù)按時間又分為日活躍用戶數(shù)（DAU）、周活躍用戶數(shù)（WAU）和月活躍用戶數(shù)量（MAU）等。DAU是指一天之內(nèi)活躍的用戶數(shù)，WAU是指一周之內(nèi)至少活躍一次的用戶總數(shù)，MAU是指一個月之內(nèi)至少活躍一次的用戶總數(shù)?；钴S率是活躍用戶在總用戶中的占比，計算時用活躍用戶數(shù)除以總用戶數(shù)。所以按照時間也可分為日活躍率、周活躍率、月活躍率等。1.用戶指標類大數(shù)據(jù)運營指標體系留存就是開始使用應(yīng)用的用戶，經(jīng)過一段時間后繼續(xù)使用，也就是留下來的用戶。留存可以評估產(chǎn)品功能對用戶的黏性，也可以看出不同時期獲得新用戶的流失情況，如果留存低，就要找到用戶流失的原因。留存率是反映用戶留存的指標，是指留存用戶占當時新增用戶的比例。留存率按照時間可分為次日留存率、第3日留存率、第7日留存率、第30日留存率等。次日留存率的計算公式為：在第2天使用過產(chǎn)品的用戶數(shù)／第1天新增總用戶數(shù)；第3日留存率的計算公式為：在第3天使用過產(chǎn)品的用戶數(shù)／第1天新增總用戶數(shù)。留存率大數(shù)據(jù)運營指標體系PV，即PageView，頁面訪客數(shù)，表示一定時間內(nèi)某個頁面的瀏覽次數(shù)，用戶每訪問一次網(wǎng)頁可以看作是一個PV。如果某網(wǎng)頁一天的PV為1000，則代表該網(wǎng)頁在1天中被打開了1000次。01022.電商網(wǎng)站運營類指標PVUV，即UniqueVisitor，獨立訪客數(shù)，表示一定時間內(nèi)訪問某個頁面的人數(shù)。比如某網(wǎng)頁1天中被打開了100次，可是這100次都是被1個人打開的，那么此時UV為1，PV為100。UV大數(shù)據(jù)運營指標體系轉(zhuǎn)化率是指在一個統(tǒng)計周期內(nèi),完成轉(zhuǎn)化行為的次數(shù)占推廣信息總點擊次數(shù)的比率。如下單轉(zhuǎn)化率=下單人數(shù)/UV，支付轉(zhuǎn)化率=支付人數(shù)/UV。0304轉(zhuǎn)化率GMV，即GrossMerchandiseVolume，商品交易總額，表示一定時間內(nèi)的成交總額，一般包含拍下未支付訂單金額。GMV2.電商網(wǎng)站運營類指標大數(shù)據(jù)運營指標體系1)SPUSPU，即StandardProductUnit，標準化產(chǎn)品單元。SPU是商品信息聚合的最小單位，是一組可復用、易檢索的標準化信息的集合，該集合描述了一個產(chǎn)品的特性。通俗理解，屬性值、特性相同的商品就可以稱為一個SPU。2)SKUSKU，即StockKeepingUnit，庫存量單元。SKU是庫存進出計量的單位，以件、盒等為單位，在服裝、鞋類商品中使用最多最普遍。例如紡織品中一個SKU通常表示：規(guī)格、顏色、款式。通俗理解，SPU是一個商品,而SKU是該商品的不同的規(guī)格。3.產(chǎn)品類指標大數(shù)據(jù)運營指標體系0504網(wǎng)貸平臺類指標包括新增借款、待收金額、資金凈流入、平均借款期限、逾期率、逾期用戶性別比例等。網(wǎng)貸平臺類指標銷售轉(zhuǎn)換類指標包括加入購物車次數(shù)、購物車支付轉(zhuǎn)化率、下單金額、下單數(shù)量、下單支付時長、瀏覽下單轉(zhuǎn)化率、交易成功訂單數(shù)、退款率等。銷售轉(zhuǎn)化類指標大數(shù)據(jù)運營分類隨著國家對知識產(chǎn)權(quán)的重視，“內(nèi)容為王”的時代已經(jīng)開啟?；ヂ?lián)網(wǎng)時代，不缺內(nèi)容，缺的是精品內(nèi)容，怎樣打造精品內(nèi)容，使其成為產(chǎn)品的重要競爭力，是作為產(chǎn)品運營人員最核心的問題之一。大數(shù)據(jù)+解決兩大關(guān)鍵問題：一個是找到用戶，另一個是內(nèi)容優(yōu)化。1)如何通過數(shù)據(jù)促進內(nèi)容質(zhì)量1.內(nèi)容運營大數(shù)據(jù)運營分類如何找到用戶。我們看騰訊DMP管理平臺這個例子，它就是通過大數(shù)據(jù)的加工和管理，使得平臺具備了數(shù)據(jù)管理、保證數(shù)據(jù)安全的同時進行用戶畫像分析、進行人群管理以及相似人群擴展、進而幫助跨屏跨媒體控制等。找到消費者之后，面對日益挑剔的消費者，怎么能夠通過數(shù)據(jù)挖掘來傳達你的信息和產(chǎn)品的內(nèi)容？除了騰訊DMP這樣數(shù)據(jù)管理平臺，DSP平臺也成為品牌方青睞的選擇。一些跨國公司在DSP平臺上的投放甚至占所有廣告費投入的半數(shù)，甚至更高。這么做，一個是解決投放的精準性，一個是展示的保障。正如現(xiàn)在騰訊提出要打造品效合一的廣告平臺，也是為了實現(xiàn)產(chǎn)品的展示和效果的統(tǒng)一。(1)找到用戶1)如何通過數(shù)據(jù)促進內(nèi)容質(zhì)量大數(shù)據(jù)運營分類找到消費者和渠道之后，如何實現(xiàn)內(nèi)容優(yōu)化？海量數(shù)據(jù)的出現(xiàn)，數(shù)據(jù)化管理平臺的誕生，讓我們在對用戶行為進行研究的時候，能夠運用的動態(tài)的非結(jié)構(gòu)化數(shù)據(jù)，實時把握用戶不斷變化的需求。而以往的非結(jié)構(gòu)化數(shù)據(jù)則能夠解決用戶的聚合類型，相關(guān)性分析，讓我們了解到用戶的固有屬性。這二者結(jié)合，能夠幫助品牌方預測和把握未來趨勢變化。對于內(nèi)容營銷來講，這意味著能夠精準的找到有這方面內(nèi)容需要的用戶，并且根據(jù)行業(yè)變化和趨勢，有針對性地生產(chǎn)符合消費者需求的內(nèi)容。大數(shù)據(jù)+內(nèi)容，讓內(nèi)容營銷邁入了一個新的時代。最重要的是通過大數(shù)據(jù)，可以找到精準的消費者。而且，消費者洞察，也不是靠傳統(tǒng)意義上只有創(chuàng)意就夠了，而是根據(jù)實實在在留下的痕跡、數(shù)據(jù)、算法使得“消費者洞察”真正有跡可循。(2)如何實現(xiàn)內(nèi)容優(yōu)化1)如何通過數(shù)據(jù)促進內(nèi)容質(zhì)量大數(shù)據(jù)運營分類內(nèi)容的分類可以是熱點性內(nèi)容、即時性內(nèi)容、持續(xù)性內(nèi)容,促銷性內(nèi)容等。以即時性內(nèi)容舉例，比如《奇葩說》,里面的“花市口播廣告”就是內(nèi)容品牌與內(nèi)容驅(qū)動的合力之作毫無疑問它做得非常成功,馬東在打造奇葩說的時候說過,內(nèi)容營銷怎么做,其實就是把做內(nèi)容當作產(chǎn)品一樣,把內(nèi)容做好。奇葩說平臺和寶潔公司的海飛絲,嘗試了一次內(nèi)容營銷。馬東在奇葩說廣告時段進行花式表達,金句頻出,比如“廢話就像頭皮屑,消滅就用海飛絲。”與此同時,官微啟動轉(zhuǎn)發(fā)即送海飛絲的活動。當時轉(zhuǎn)發(fā)量7萬多條,所以最后也就送出去了7萬多瓶海飛絲。(2)如何實現(xiàn)內(nèi)容優(yōu)化1)如何通過數(shù)據(jù)促進內(nèi)容質(zhì)量大數(shù)據(jù)運營分類在做推薦之前，我們需要做的一件事就是：數(shù)據(jù)的收集、上報。不同于上述內(nèi)容質(zhì)量和用戶畫像的數(shù)據(jù)統(tǒng)計維度，應(yīng)用于推薦的數(shù)據(jù)統(tǒng)計維度更多，是兩者的超集，除此以外，一些操作系統(tǒng)、app版本、網(wǎng)絡(luò)環(huán)境、用戶操作訪問路徑的分析，漏斗的模型的轉(zhuǎn)化等等都與推薦行為息息相關(guān)。此處關(guān)于數(shù)據(jù)上報的維度需要針對不同平臺，不同推薦業(yè)務(wù)，不同場景做具體問題具體分析。我們把每個用戶想象成一個獨立的點，每個用戶背后都帶有各種各樣的用戶屬性，我們把具有相同屬性的用戶之間建立一條連線，眾多的用戶其彼此間的連線也錯綜復雜，由此形成了一個獨立的用戶面。同樣的原理，把每條內(nèi)容也想成一個獨立的點，每條內(nèi)容背后也都帶有各種各樣的內(nèi)容聚類標識，我們把具有相同類別的內(nèi)容之間建立一條連線，眾多的內(nèi)容間的連線也錯綜復雜，由此形成了一個獨立的內(nèi)容面。2）如何做內(nèi)容推薦大數(shù)據(jù)運營分類有了“用戶面”和“內(nèi)容面”的概念以后，我們的每一個用戶之間都彼此產(chǎn)生著聯(lián)系，每個內(nèi)容之間也都彼此產(chǎn)生著聯(lián)系，那如何把我們的“用戶面”和“內(nèi)容面”打通，其實就是所謂的用戶行為。我把用戶行為比做“通道”通道用于連接“用戶面”和“內(nèi)容面”，每一次用戶行為，都是兩個面之間一次數(shù)據(jù)的傳輸交流。至此，兩個面之間互相打通，形成了一個三維模型。這個三維模型建立在數(shù)據(jù)之上，每時每刻任意兩點之間都在進行著數(shù)據(jù)傳輸，因為彼此間相互聯(lián)系，一個用戶的行為可能最終影響周圍多個用戶的結(jié)果，類似蝴蝶效應(yīng)。其次就是“a/btest”和“關(guān)于a/btest，適中要遵循一個原則，明確目的，保持變量唯一。所有的推薦都是持續(xù)的過程，不同的推薦算法需要時間學習矯正，a/btest就是很好的輔助工具和方法，關(guān)于如何構(gòu)建a/btest系統(tǒng)，此處不做詳細說明，只闡述其重要性。2）如何做內(nèi)容推薦大數(shù)據(jù)運營分類什么是用戶畫像？從中文概念來講，用戶畫像與用戶角色非常相近，是用來勾畫用戶（用戶背景、特征、性格標簽、行為場景等）和聯(lián)系用戶需求與產(chǎn)品設(shè)計的。簡單來講，就是想要在通過從海量用戶行為數(shù)據(jù)中煉銀挖金。它根據(jù)用戶在互聯(lián)網(wǎng)留下的種種數(shù)據(jù)，主動或被動地收集，然后盡可能全面細致地抽出一個用戶的信息全貌，從而幫助解決如何把數(shù)據(jù)轉(zhuǎn)化為商業(yè)價值的問題。比如：猜測用戶是男是女，哪里人，工資多少，有沒有談戀愛，喜歡什么，準備剁手購物嗎？1)如何進行用戶畫像分析2.用戶運營大數(shù)據(jù)運營分類從英文概念角度，用戶畫像（UserPortrait）、用戶角色（UserPersona）、用戶屬性（UserProfile）這三個概念其實都是各有側(cè)重和容易混淆的。1)如何進行用戶畫像分析2.用戶運營根據(jù)以上的講解，我們就知道，用戶畫像近似等同于用戶角色，統(tǒng)一稱為中文概念的用戶畫像，而用戶屬性則是用戶畫像的子集。用戶角色更傾向于業(yè)務(wù)系統(tǒng)中不同用戶的角色區(qū)分。例如：學校教務(wù)管理系統(tǒng)、老師審核、設(shè)置選課、學生查看選課和成績。那么老師、學生就是不同的用戶角色。用戶畫像更傾向于對同一類用戶進行不同維度的刻畫。例如：對同一個電商的買家進行用戶畫像設(shè)計，就是將買家進一步細分和具象，如閑逛型用戶、收藏型用戶、比價型用戶、購買型用戶等。用戶屬性則更傾向于對屬性層面的刻畫和描述，特別是基本屬性的內(nèi)涵居多，包括性別、年齡、地域等。用戶畫像用戶角色用戶屬性大數(shù)據(jù)運營分類畫虎畫皮難畫骨，知人知面不知心。通過“虛擬用戶畫像”我們可以定義用戶的性別、年齡等這些表面的基本特征，如若想要深入了解核心層面的東西，非數(shù)據(jù)用戶畫像不可。這種用戶畫像是隨著互聯(lián)網(wǎng)的不斷發(fā)展，積累的用戶信息、行為記錄越來越豐富，同時大數(shù)據(jù)處理和分析技術(shù)也已成熟，可以計算出每一個用戶的特征。特征是從人口基本屬性、社會屬性、生活習慣、消費行為等信息抽象出來的一個個具體的標簽表示，標簽是某一用戶特征的符號化表示。(1)用戶畫像分類虛擬用戶畫像數(shù)據(jù)用戶畫像此種的用戶畫像沒有數(shù)據(jù)的參與構(gòu)建，自然粒度也就比較粗，只是用虛擬的用戶畫像代表真實的用戶。大數(shù)據(jù)運營分類為每個用戶計算用戶畫像，這樣更加貼近真實的世界，每個人都是獨一無二，不能隨隨便便被其他人代表，用戶畫像精準到人。用戶畫像用標簽集合來表示，例如：王某，男，33歲，河南人，北京工作，銀行業(yè)，投資顧問，年收入50萬，已婚，兩套房，有孩子，喜歡社交，不愛運動，喝白酒，消費力強等。礎(chǔ)信息可以通過用戶的注冊信息獲得，但像是否有孩子、喜歡社交、喝白酒、消費能力等級等，用戶不會告訴我們，需要建立數(shù)據(jù)模型才能計算出來。當然，用戶標簽的體系是需要根據(jù)業(yè)務(wù)領(lǐng)域去設(shè)計的，比如：銀行和電商用戶標簽體系就會不同。(1)用戶畫像分類例如大數(shù)據(jù)運營分類(2)數(shù)據(jù)用戶畫像的用途精準營銷這是運營最熟悉的玩法，從粗放式到精細化，將用戶群體切割成更細的粒度，輔以短信、推送、郵件、活動等手段，驅(qū)以關(guān)懷、挽回、激勵等策略。這樣就避免了全量投放造成的浪費，而且可以針對某次拉新用戶的活動進行分析，評估活動效果，看是否和預期相符。1數(shù)據(jù)應(yīng)用用戶畫像是很多數(shù)據(jù)產(chǎn)品的基礎(chǔ)，諸如耳熟能詳?shù)耐扑]系統(tǒng)廣告系統(tǒng)。操作過各大廣告投放系統(tǒng)的同學想必都清楚，廣告投放基于一系列人口統(tǒng)計相關(guān)的標簽，性別、年齡、學歷、興趣偏好、手機等等。比如：電商網(wǎng)站為準媽媽推薦嬰兒用品，為攝影愛好者推薦鏡頭。在個性化推薦中，計算出用戶標簽是其中一環(huán)，還需要有協(xié)同過濾等推薦算法實現(xiàn)物品的推薦。精準廣告可以根據(jù)年齡、區(qū)域、人群、天氣、游戲愛好、內(nèi)容偏好、購物行為、搜索行為等定向選擇進行投放。例如騰訊的廣點通，支持用戶在微信、QQ精準投放。2大數(shù)據(jù)運營分類(2)數(shù)據(jù)用戶畫像的用途數(shù)據(jù)分析用戶畫像可以理解為業(yè)務(wù)層面的數(shù)據(jù)倉庫，各類標簽是多維分析的天然要素，數(shù)據(jù)查詢平臺會和這些數(shù)據(jù)打通。3匹配度判斷查看某次市場推廣的用戶畫像，事后分析是否和預期一致，判斷推廣渠道和產(chǎn)品目標用戶群的匹配度。5產(chǎn)品設(shè)計產(chǎn)品方面，它用于輔助產(chǎn)品設(shè)計，評價需求是否有價值。把用戶進行分群，依據(jù)不同用戶群特性就行產(chǎn)品設(shè)計和測試驗證，別讓產(chǎn)品偏離核心用戶的需求。4用戶分析產(chǎn)品早期，PM們通過用戶調(diào)研和訪談的形式了解用戶。在產(chǎn)品用戶量擴大后，調(diào)研的效用降低，這時候會輔以用戶畫像配合研究。新增的用戶有什么特征，核心用戶的屬性是否變化等等。6大數(shù)據(jù)運營分類流程化和精細化為每個運營人員都要具備的基本思維，如果說流程化的思考是運營人員對運營目標的定性思考，那么數(shù)據(jù)化就是對這個目標實現(xiàn)路徑和效果的定量描述，它將你的工作思路落實在具體的數(shù)據(jù)指標上以衡量你的工作效果和目標實現(xiàn)情況。2)如何通過數(shù)據(jù)建立用戶運營建立數(shù)據(jù)化用戶運營的必要性有兩點:一是在于定量衡量你工作的價值;二是實現(xiàn)精細化運營的基礎(chǔ)，比如建立在數(shù)據(jù)基礎(chǔ)上的用戶分層分類和用戶畫像就是精細化運營的前提。2.用戶運營大數(shù)據(jù)運營分類2)如何通過數(shù)據(jù)建立用戶運營數(shù)據(jù)化用戶運營是利用用戶運營的思路，結(jié)合數(shù)據(jù)分析的思想，業(yè)務(wù)指導數(shù)據(jù)，數(shù)據(jù)驅(qū)動業(yè)務(wù)，實現(xiàn)對用戶的精細化運營，這是數(shù)據(jù)化用戶運營的核心思想。用戶運營數(shù)據(jù)化的循環(huán)流程如下：2.用戶運營step1：用戶數(shù)據(jù)收集step2：構(gòu)建用戶數(shù)據(jù)化運營指標體系step3：數(shù)據(jù)驅(qū)動運營大數(shù)據(jù)運營分類用戶數(shù)據(jù)的收集主要收集包括用戶基本數(shù)據(jù)、用戶行為數(shù)據(jù)和用戶流量數(shù)據(jù)數(shù)據(jù)。用戶基本數(shù)據(jù)指的是用戶的靜態(tài)數(shù)據(jù)，包括性別、年齡、地區(qū)、工作等，這類數(shù)據(jù)描述了用戶是誰，主要靠基本信息填寫來實現(xiàn)。用戶行為數(shù)據(jù)是用戶在產(chǎn)品上一系列操作行為的集合，哪個用戶在哪個時間點、哪個地方以哪種方式完成了哪類操作，包括用戶瀏覽、購買、內(nèi)容貢獻、邀請傳播、社交等行為，這類數(shù)據(jù)描述了用戶干了什么，主要靠數(shù)據(jù)埋點來實現(xiàn)。用戶流量數(shù)據(jù)是用戶的來源，是基于用戶訪問的網(wǎng)頁端產(chǎn)生的，包括設(shè)備、運營商、端口、時間等，這類數(shù)據(jù)描述了用戶從哪兒來。不過目前的流量數(shù)據(jù)統(tǒng)計主要來源于GA、百度統(tǒng)計等第三方工具，無法記錄在數(shù)據(jù)庫中，也就是還做不到與上述提到的用戶基本數(shù)據(jù)、行為數(shù)據(jù)一一對應(yīng)。以上數(shù)據(jù)都是從產(chǎn)品或第三方工具里得到的原始數(shù)據(jù)，要實現(xiàn)運營目標還需要在原始數(shù)據(jù)基礎(chǔ)上做數(shù)據(jù)挖掘和數(shù)據(jù)分析，結(jié)合運營目標和路徑構(gòu)建數(shù)據(jù)化運營指標體系。step1：用戶數(shù)據(jù)收集大數(shù)據(jù)運營分類如果你不能用指標來描述業(yè)務(wù)，那么你就不能有效增長它。那么在本環(huán)節(jié)要做的就是將你的業(yè)務(wù)指標化。數(shù)據(jù)指標不是恒定不變的，它依托于你產(chǎn)品的業(yè)務(wù)流程或功能流程，和目標及目標實現(xiàn)路徑密切相關(guān)。用戶運營的目的是最大化提升用戶價值，如果你是電商產(chǎn)品，那你的目的就是讓用戶付費購買商品，如果你是社區(qū)產(chǎn)品，那你的目的就是讓用戶貢獻傳播內(nèi)容。但是產(chǎn)品目標和用戶價值的實現(xiàn)是個循序漸進的過程，也是個動態(tài)演變的過程，有的從潛在用戶注冊成為活躍用戶，有的從活躍轉(zhuǎn)為流失，也有的從流失回流到活躍。step2：構(gòu)建用戶數(shù)據(jù)化運營指標體系大數(shù)據(jù)運營分類有了結(jié)構(gòu)化的數(shù)據(jù)指標體系，但這還不能算是完整的運營體系。數(shù)據(jù)本身是沒有價值的，變成策略才有價值。我們構(gòu)建出來的數(shù)據(jù)指標都是為決策來服務(wù)的，幫我們制定和優(yōu)化運營策略。通過數(shù)據(jù)我們不僅是要知道“是什么”和“有多少”的問題，更重要的是要知道“為什么”？這才是數(shù)據(jù)能驅(qū)動業(yè)務(wù)的關(guān)鍵。數(shù)據(jù)驅(qū)動業(yè)務(wù)體現(xiàn)在兩個方面：一是用數(shù)據(jù)優(yōu)化運營策略，比如用戶留存率低，而留存率與用戶質(zhì)量和產(chǎn)品吸引力有關(guān)系，通過渠道分析發(fā)現(xiàn)用戶質(zhì)量沒有問題，而通過用戶流失分析發(fā)現(xiàn)主要流失階段在初始接觸期，這就找到了原因，于是在產(chǎn)品穩(wěn)定性、易用性和新用戶引導上做優(yōu)化。二是數(shù)據(jù)驗證運營策略，比如你想上線一個新的用戶激勵措施，但不確定和原有方式相比是否會有更好結(jié)果，這時候通過合理的AB測試得出的對比數(shù)據(jù)可以為你提供決策依據(jù)。step3：數(shù)據(jù)驅(qū)動運營大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)驅(qū)動產(chǎn)品力提升3.產(chǎn)品運營定目標產(chǎn)品迭代A/B測試大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)驅(qū)動產(chǎn)品力提升3.產(chǎn)品運營定目標無論是部門還是項目，在做產(chǎn)品工作的時候，都需要有一個非常明確的目標。在定目標時，對于一個全新的業(yè)務(wù)或者產(chǎn)品，我們沒有已有數(shù)據(jù)做參考的時候，我們可以去參考同類競品，然后去估算可以達到的數(shù)據(jù)。這個數(shù)據(jù)具體取什么，也很重要。一般都會取你所負責項目對公司、對業(yè)務(wù)貢獻最突出的地方。目標一旦明確后，產(chǎn)品經(jīng)理所做的工作，就會朝著這個目標去努力思考，自然效果就會更加聚焦，結(jié)果也可以量化。大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)驅(qū)動產(chǎn)品力提升產(chǎn)品迭代在做需求、設(shè)計產(chǎn)品時，首先思考的是這個改動是要達成什么樣的目標：提升轉(zhuǎn)化率？優(yōu)化用戶體驗？或是增長某些業(yè)務(wù)數(shù)據(jù)？在明確了目標后，我再去思考如何改動會提升相關(guān)數(shù)據(jù)。比如強制用戶注冊登錄，是否可以提高用戶注冊數(shù)？是否會影響新用戶的留存率等。我可能在上線前做出一系列假設(shè)，這些假設(shè)在沒有看到數(shù)據(jù)前，都只是推斷，并不能反映用戶的真實行為?；ヂ?lián)網(wǎng)產(chǎn)品迭代速度快，主要原因是通過小步快跑的迭代方式，可以反復的試錯，糾正，優(yōu)化。保證始終是朝著好的方向嘗試著。如果是大的功能，在上線后，我會觀察整體的各項指標是否發(fā)生了變化。如果發(fā)生了變化，是否是因為這個功能引起的。如果數(shù)據(jù)變好了，說明印證了我們的猜想，符合我們的預期；如果數(shù)據(jù)不好，就要進一步細化數(shù)據(jù)，定位原因，再次進行優(yōu)化，直到我們得出明確結(jié)論。3.產(chǎn)品運營大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)驅(qū)動產(chǎn)品力提升A/B測試通俗講就是同時上線A方案和B方案，觀察2個方案的數(shù)據(jù)好壞，從而決定使用哪個方案。這是最常見的數(shù)據(jù)驅(qū)動手段，由于它可以控制除改動點之外的其他變量，因此它的對比比較客觀，結(jié)論也會非常準確。3.產(chǎn)品運營大數(shù)據(jù)運營分類2）如何通過數(shù)據(jù)做品類管理在零售行業(yè)，不論是哪一種產(chǎn)品，飲料、日用品、奶粉等等，貨架陳列是非常重要的，在商超里面，好的陳列位置也是兵家必爭之地，誰有實力誰就可以拿到最好的位置，這已經(jīng)是心照不宣的了，那么如果沒有好位置，對于貨架陳列要注重什么？怎么才可以進行更好的貨架管理，新的數(shù)據(jù)分析工具能不能幫助品牌進行更好的品類管理、設(shè)計、陳列以及優(yōu)化。在貨架管理中引入大數(shù)據(jù)分析就是為了可以更好的用科學的方法來進行貨架管理，將客戶最想要優(yōu)先購買的產(chǎn)品放在客戶的面前，以及做出更好的預測性的品類管理決策。利用數(shù)據(jù)分析進行品類管理，主要衡量標準是不是好的品類管理數(shù)據(jù)的標準主要有陳列是不是客戶想要的產(chǎn)品、陳列的價格是不是最新的價格，是不是最新包裝產(chǎn)品，是不是活動中的產(chǎn)品，陳列出來的品類庫存還有多少，以及預期的毛利是多少，能不能達到以上的幾個目標，都是需要已有的數(shù)據(jù)支持。3.產(chǎn)品運營大數(shù)據(jù)運營分類2）如何通過數(shù)據(jù)做品類管理現(xiàn)有的基于數(shù)據(jù)分析的品項管理很多都是針對銷售的情況是什么樣的，主要提取的也都是銷售的數(shù)據(jù)，根據(jù)長尾理論，銷售量高產(chǎn)品總是會被排列的最多，銷售量低的產(chǎn)品少部分排列或者還有可能會被下架，在品項管理中，我們不能只是看中銷售的數(shù)據(jù)，也要考慮每一個品類之間的互動關(guān)系，一個企業(yè)也可能只單獨生產(chǎn)一種品項的產(chǎn)品，好的基于數(shù)據(jù)的品項管理要以客戶的需要為中心，根據(jù)客戶的真實購買情況，結(jié)合客戶的信息，找出核心的產(chǎn)品，如果是比較重點的門店可以挖掘更有深度的產(chǎn)品，一些額外的品類還可以根據(jù)每一個門店的不同的投入情況，以及重點的主推品牌進行調(diào)整。3.產(chǎn)品運營大數(shù)據(jù)運營分類2）如何通過數(shù)據(jù)做品類管理品類管理的目標就是將最好、最完整的品類展示在貨架上，貨架陳列就是將客戶最需要的產(chǎn)品展示在客戶的面前，好的貨架陳列可以達到三贏的效果，對于客戶來說，可以很快的找到自己喜歡的產(chǎn)品，提高客戶的購買體驗。對于運營方來說，可以減少過期陳列或者減少報損的數(shù)量，簡化陳列的工序，在庫存以及物流方面也可以提高效率。對于企業(yè)來說，利用數(shù)據(jù)分析進行品類管理，從而進行貨架陳列，可以有效的提高貨架的使用效率，對于門店的發(fā)展策略也是有益的，可以不斷的提高盈利。3.產(chǎn)品運營大數(shù)據(jù)運營分類3）如何提升產(chǎn)品購買能力3.產(chǎn)品運營確定產(chǎn)品戰(zhàn)略方向制度有效的產(chǎn)品策略方法明確目標用戶及用戶分析：消費場景分析、挖掘市場需求、挖掘產(chǎn)品價值、形成有競爭力的產(chǎn)品優(yōu)勢、打造層級的產(chǎn)品結(jié)構(gòu)、有沖擊力的產(chǎn)品創(chuàng)意。通過產(chǎn)品經(jīng)理負責制提高執(zhí)行力度產(chǎn)品經(jīng)理負責制主要包括產(chǎn)品推廣計劃表新品開發(fā)計劃表、爆款打造計劃表、產(chǎn)品營銷工具、產(chǎn)品體系工作推進表。確定品類：鎖定產(chǎn)品的品類，目前的品類，未來要去的品類。明確方向：產(chǎn)品的發(fā)展規(guī)劃清晰明確。發(fā)展戰(zhàn)略：3-5年的產(chǎn)品規(guī)劃戰(zhàn)略，及產(chǎn)品的愿景和使命。營銷目標：目標計劃及分解計劃，利潤指標等。核心戰(zhàn)略：產(chǎn)品品質(zhì)的把控，流程優(yōu)化等核心戰(zhàn)略。大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)做渠道產(chǎn)品4.渠道運營建立精細化的渠道追蹤體系是做好渠道運營的基礎(chǔ)保障。能追蹤才能衡量,我們需要用一套UTM配置參數(shù)來追蹤用戶的來源告別拍腦袋的主觀判斷渠道質(zhì)量好壞的狀態(tài)。如表所示,UTM提供了5個可以自由配置的參數(shù)。大數(shù)據(jù)運營分類1）如何通過數(shù)據(jù)做渠道產(chǎn)品參數(shù)定義好后，就可以進行各種場景的跟蹤，舉個例子：新浪首頁頂部Banner位和右側(cè)Banner位分別投放了不同廣告創(chuàng)意的運營內(nèi)容。這里面包含了對運營來說如下幾點關(guān)鍵信息：4.渠道運營這樣就實現(xiàn)了在同一個渠道不同位置投放的不同廣告創(chuàng)意的付費活動的追蹤。當然，你可以充分利用這五個參數(shù)的組合來實現(xiàn)各種場景的渠道追蹤。創(chuàng)意是否和用戶需求相關(guān)，在很大程度上會影響用戶是否會點擊推廣結(jié)果。不同廣告創(chuàng)意的追蹤如果用戶點擊某條創(chuàng)意比較好的廣告來到落地頁后，發(fā)現(xiàn)不是自己最關(guān)心的內(nèi)容，用戶體驗很糟糕，很可能用戶就跳出了，沒有發(fā)生我們期望他完成的行為，這對推廣運營的好壞影響很大。不同推廣落地頁的追蹤如上圖我們可以對付費推廣活動打上以pay開頭的標簽，用于區(qū)分是付費推廣還是免費推廣。不同廣告系列的追蹤大數(shù)據(jù)運營分類5.活動運營數(shù)據(jù)分析前提條件。無論我們是分析搜索，還是場景數(shù)據(jù)，當數(shù)據(jù)量達不到一定程度的時候，都沒有任何意義。也就是只有數(shù)據(jù)達到一定量時，才具備分析參考價值。舉個例子，比如圖片5個展現(xiàn)，1個點擊，點擊率是20%，那你就能說這張圖很好嗎？并不能，但是當它有100個點擊，點擊率仍有20%，你再說這張圖好是不是就會有底氣很多。ocpx計劃數(shù)據(jù)分析。ocpx有兩個階段，第一個階段是數(shù)據(jù)積累期，第二階段是智能投放期。在第一個階段我們需要重點關(guān)注數(shù)據(jù)是曝光量，沒有曝光我們一般采用兩種應(yīng)對措施。一是提高出價；二是新建同個鏈接ocpx計劃。第二階段，重點就不是關(guān)注曝光，而是轉(zhuǎn)化和ROI。調(diào)整數(shù)據(jù)思路就是根據(jù)轉(zhuǎn)化流量進行一個浮動出價。比如流量轉(zhuǎn)化好時，我們可以降低出價，因為第二天會根據(jù)我們前一天數(shù)據(jù)進行曝光展現(xiàn)。如果流量轉(zhuǎn)化不好，可以適當提高出價，避免第二天流量供應(yīng)不足。其次我們還可以根據(jù)成交、詢單、收藏、關(guān)注數(shù)據(jù)進行浮動出價，因為有些類目會更注重詢單和關(guān)注。比如定制類目詢單量就會比較重要，女裝等非標品，關(guān)注也是需要考慮的因素。自定義計劃數(shù)據(jù)分析。自定義可以優(yōu)化調(diào)整的地方會比智能更多，因此需要關(guān)注的數(shù)據(jù)也會增加。比如曝光量、點擊量、點擊率、平均點擊花費、點擊轉(zhuǎn)化率、投入產(chǎn)出比、分時折扣等。大數(shù)據(jù)運營分類持續(xù)拖價：因為在計劃初期，無論計劃權(quán)重還是鏈接權(quán)重，都是比較低的，為了日限額能跑出去，一般采用高出低溢的形式，所以當計劃權(quán)重養(yǎng)起來之后，首先就是要去降低ppc。優(yōu)化分時折扣：看數(shù)據(jù)的時候，不要緊盯著投產(chǎn)，還要關(guān)注流量的波動情況，畢竟不是所有訪客都是即時成交的，避免數(shù)據(jù)誤差。可以通過報表把每天分時詳情數(shù)據(jù)下載下來。導入到Excel，進行數(shù)據(jù)匯總，根據(jù)得到的數(shù)據(jù)規(guī)律進行調(diào)整我們的計劃，比如好的時間段提高溢價，當然也可以采用很極端的操作，就是只開這些好的時間段，其他溢價為0。配合ocpx放大流量基數(shù)：但是無論是智能計劃還是自定義計劃，點擊率都是核心關(guān)鍵因素，沒有做好點擊率就去推廣往往會折戟沉沙，一敗涂地。只有把握住數(shù)據(jù)的精準分析，才能把每一分錢都花在刀刃上。5.活動運營自定義計劃如何優(yōu)化數(shù)據(jù)？PART02大數(shù)據(jù)運營綜合案例解析大數(shù)據(jù)運營綜合案例解析現(xiàn)有一份某網(wǎng)貸平臺的用戶數(shù)據(jù)，可使用Python對此數(shù)據(jù)中的逾期用戶進行分析，總結(jié)出逾期用戶的特點（逾期用戶畫像），在平臺運營過程中對具有逾期特點的用戶采取適當?shù)娘L險管控措施。數(shù)據(jù)基本信息使用Pandas中的read_csv()方法導入數(shù)據(jù)（此數(shù)據(jù)已上傳到JupyterNotebook中，也可從本地磁盤導入），如圖所示。1數(shù)據(jù)信息操作現(xiàn)有數(shù)據(jù)集‘LCIS.csv’文件，是某網(wǎng)貸平臺2015年1月1日到2017年1月30日所有的交易數(shù)據(jù)，首先我們需要導入數(shù)據(jù)，了解數(shù)據(jù)集的基本情況。1)導入數(shù)據(jù)使用shape屬性查看數(shù)據(jù)集的形狀，如圖所示。2)查看數(shù)據(jù)集形狀從中可看出此數(shù)據(jù)集共有292539條數(shù)據(jù)，37個屬性。接下來需要查看這37個屬性分別代表什么。數(shù)據(jù)基本信息使用info()方法查看數(shù)據(jù)集基本信息，如圖所示。1)查看數(shù)據(jù)集基本信息2數(shù)據(jù)集信息查看數(shù)據(jù)基本信息2)將英文字段重命名為中文2數(shù)據(jù)集信息查看#保留原始的df#新建一個DataFrame（data）存放數(shù)據(jù)data=pd.DataFrame(df)#將英文字段改為中文#inplace=True，不創(chuàng)建新的對象,直接對原始對象進行修改data.rename(columns={'ListingId':'序號','recorddate':'記錄日期'},inplace=True)使用head()方法查看前5條數(shù)據(jù)，如圖所示。數(shù)據(jù)基本信息3)總結(jié)37個屬性信息2數(shù)據(jù)集信息查看編號屬性名非空記錄條數(shù)數(shù)據(jù)類型1序號292539int642借款金額292539int643借款期限292539int644借款利率292539float645借款成功日期292539object6初始評級292539object7借款類型292539object8是否首標292539object9年齡292539int6410性別292539object11手機認證292539object12戶口認證292539object13視頻認證292539object14學歷認證292539object15征信認證292539object16淘寶認證292539object17歷史成功借款次數(shù)291336float6418歷史成功借款金額291336float6419總待還本金292539float6420歷史正常還款期數(shù)292539int6421歷史逾期還款期數(shù)292539int6422我的投資金額292539int6423當前到期期數(shù)292539int6424當前還款期數(shù)292539int6425已還本金292539float6426已還利息292539float6427待還本金292539float6428待還利息292539float6429標當前逾期天數(shù)292539int6430標當前狀態(tài)292539object31上次還款日期271490object32上次還款本金270290float6433上次還款利息270290float6434下次計劃還款日期182563object35下次計劃還款本金182563float6436下次計劃還款利息181494float6437記錄日期292130object從表格可看出，有部分屬性存在空值，后續(xù)數(shù)據(jù)清洗的時候需要對缺失值進行處理。數(shù)據(jù)基本信息1)查看數(shù)據(jù)集統(tǒng)計信息3數(shù)據(jù)信息統(tǒng)計使用Pandas的describe()方法查看基本統(tǒng)計信息，如圖所示。其中歷史成功借款金額、總待還本金、歷史正常還款期數(shù)等是科學計數(shù)法顯示的，我們也可使用如下方式查看，如圖所示。數(shù)據(jù)基本信息2)了解定量數(shù)據(jù)的統(tǒng)計信息3數(shù)據(jù)信息統(tǒng)計結(jié)合上面的統(tǒng)計信息，可了解定量數(shù)據(jù)的統(tǒng)計信息（去除序號屬性，共有21個定量數(shù)據(jù)），總結(jié)如表所示編號屬性名非空記錄條數(shù)數(shù)據(jù)類型平均值【2位小數(shù)】最小值最大值標準差【2位小數(shù)】1借款金額292539int648516.1210050000027584.912借款期限292539int6410.191243.153借款利率292539float6417.787243.384年齡292539int6429.3518656.175歷史成功借款次數(shù)291336float642.5804875.086歷史成功借款金額291336float6415131.340385647670264.137總待還本金292539float644499.620169770616989.398歷史正常還款期數(shù)292539int6476.64016250004672.39歷史逾期還款期數(shù)292539int6418.3705240341256.9810我的投資金額292539int6496.3502190117.7511當前到期期數(shù)292539int645.560243.8812當前還款期數(shù)292539int645.650110011.1513已還本金292539float6472.0902190122.314已還利息292539float644.80269.66.4815待還本金292539float6424.480110030.9916待還利息292539float641.67087.742.3117標當前逾期天數(shù)292539int643.19068127.9118上次還款本金270290float6421.280141348.7819上次還款利息270290float640.48011.770.4220下次計劃還款本金182563float646.04096.94.3721下次計劃還款利息181494float640.5808.920.33數(shù)據(jù)基本信息2)了解定量數(shù)據(jù)的統(tǒng)計信息3數(shù)據(jù)信息統(tǒng)計從以上表格，可得出如下信息：此網(wǎng)貸平臺的用戶年齡在18到65歲之間，平均值是29.35，說明年輕用戶比較多；此網(wǎng)貸平臺業(yè)務(wù)，最小貸款金額是100元，最大貸款金額是50萬元；借款金額、歷史成功借款金額、總待還本金這幾個屬性的最小值和最大值相差很大，標準差較高，說明數(shù)據(jù)較離散。數(shù)據(jù)基本信息4數(shù)據(jù)信息定性數(shù)據(jù)集中共有37個屬性，定量數(shù)據(jù)22個，定性數(shù)據(jù)15個，根據(jù)定性數(shù)據(jù)的特點，可將其分為日期數(shù)據(jù)、認證數(shù)據(jù)和其他數(shù)據(jù)三類，如表所示。日期數(shù)據(jù)中空值比較多，后續(xù)需要進行缺失值填充；認證數(shù)據(jù)主要為用戶的認證方式，只要采用其中一種方式認證過，就證明是已認證的狀態(tài)，后續(xù)可用1個字段替換這6個字段；其他數(shù)據(jù)中，我們需要查看“初始評級”、“借款類型”、“標當前狀態(tài)”的取值范圍。編號分類屬性名非空記錄條數(shù)1日期數(shù)據(jù)借款成功日期2925392上次還款日期2714903下次計劃還款日期1825634記錄日期2921305認證數(shù)據(jù)手機認證2925396戶口認證2925397視頻認證2925398學歷認證2925399征信認證29253910淘寶認證29253911其他數(shù)據(jù)初始評級29253912借款類型29253913標當前狀態(tài)29253914是否首標29253915性別292539數(shù)據(jù)基本信息1)查看“初始評級”數(shù)據(jù)使用value_counts()方法查看數(shù)據(jù)的值及每個值的統(tǒng)計信息，如圖所示從“初始評級”的結(jié)果中可看出，共分為AAA、AA、A、B、C、D、E、F八個等級，AAA為最優(yōu)等級，F(xiàn)為最差等級。從上圖結(jié)果可得出B、C級別客戶很多，占比約66%，AAA和F級別的客戶很少，占比約為0.5%，基本符合正態(tài)分布特點，“一般般的很多，極端的很少”。4數(shù)據(jù)信息定性數(shù)據(jù)基本信息2)查看“借款類型”數(shù)據(jù)通過value_counts()方法查看“借款類型”數(shù)據(jù)，如圖所示從結(jié)果中可看出此網(wǎng)貸平臺的借款類型共分為5種，分別是“普通”、“其他”、“APP閃電”、“電商”和“應(yīng)收安全標”，其中“普通”類型占比最高，約為41%。4數(shù)據(jù)信息定性數(shù)據(jù)基本信息3)查看“標當前狀態(tài)”數(shù)據(jù)從結(jié)果中可看出，處于“正常還款中”狀態(tài)的最多，達到172569條，占比約為59%，還有1203條數(shù)據(jù)異常，后續(xù)數(shù)據(jù)清洗的時候需要對異常值進行處理。4數(shù)據(jù)信息定性數(shù)據(jù)清洗1)查看是否有重復值1重復值處理使用duplicated()方法查看是否存在重復值，如圖所示。由于數(shù)據(jù)量太多，不方便查看，此時可以將duplicated()方法和sum()方法聯(lián)合使用，返回重復值的數(shù)量，如圖所示。從運行結(jié)果中可看出，數(shù)據(jù)集中共有106條重復值。數(shù)據(jù)清洗2)去除重復數(shù)據(jù)Pandas中去除重復值非常簡單，使用drop_duplicates()方法可一鍵去除，注意需要加上inplace=True，直接在原始對象上進行修改，如圖所示。去除重復值后，使用shape屬性查看數(shù)據(jù)集形狀，發(fā)現(xiàn)數(shù)據(jù)從原來的292539條減少為292433條，正好減少了106條。1重復值處理數(shù)據(jù)清洗1)查看數(shù)據(jù)集中的缺失值2缺失值處理isnull()方法和sum()方法聯(lián)合使用，返回缺失值數(shù)量，如圖所示。可將缺失值分為日期類型和非日期類型兩類。日期類型：“上次還款日期”缺失21040條數(shù)據(jù)、“下次計劃還款日期”缺失109936條數(shù)據(jù)、“記錄日期”缺失409條數(shù)據(jù)。非日期類型：“歷史成功借款次數(shù)”缺失1203條數(shù)據(jù)、“歷史成功借款金額”缺失1203條數(shù)據(jù)、“上次還款本金”缺失22240條數(shù)據(jù)、“上次還款利息”缺失22240條數(shù)據(jù)、“下次計劃還款本金”缺失109936條數(shù)據(jù)、“下次計劃還款利息”缺失111005條數(shù)據(jù)。數(shù)據(jù)清洗2)日期類型數(shù)據(jù)缺失值處理針對“上次還款日期”和“記錄日期”兩個屬性，采用眾數(shù)填充缺失值，“下次計劃還款日期”統(tǒng)一采用“2025-12-31”來填充。使用mode()方法查看眾數(shù)，如圖所示。日期類型數(shù)據(jù)缺失值填充代碼代碼如下。2缺失值處理#使用眾數(shù)填充缺失值data['上次還款日期'].fillna('2017/2/28',inplace=True)data['記錄日期'].fillna('2017/2/28',inplace=True)#使用“2025-12-31”填充缺失值data['下次計劃還款日期'].fillna('2025/12/31',inplace=True)運行代碼后，查看缺失值數(shù)量，發(fā)現(xiàn)這三個日期數(shù)據(jù)的缺失值都已變?yōu)?，說明填充成功，如圖所示。數(shù)據(jù)清洗3)定量數(shù)據(jù)缺失值處理定量數(shù)據(jù)的缺失值可采用均值、中位數(shù)、眾數(shù)等方式填充，這里采用中位數(shù)或均值來填充，代碼如下。2缺失值處理#使用眾數(shù)填充缺失值data['歷史成功借款次數(shù)'].fillna(data['歷史成功借款次數(shù)'].median(),inplace=True)#使用均值填充data['歷史成功借款金額'].fillna(np.floor(data['歷史成功借款金額'].mean()),inplace=True)data['上次還款本金'].fillna(np.round(data['上次還款本金'].mean(),2),inplace=True)data['上次還款利息'].fillna(np.round(data['上次還款利息'].mean(),2),inplace=True)data['下次計劃還款本金'].fillna(np.round(data['下次計劃還款本金'].mean(),2),inplace=True)data['下次計劃還款利息'].fillna(np.round(data['下次計劃還款利息'].mean(),2),inplace=True)數(shù)據(jù)清洗有時，我們需要對異常值進行處理3異常值處理通過查看數(shù)據(jù)集的37個屬性，發(fā)現(xiàn)“標當前狀態(tài)”的取值可以通過“標當前逾期天數(shù)”的值來進行判斷，如圖所示。數(shù)據(jù)清洗“標當前逾期天數(shù)”的值大于0的“標當前狀態(tài)”即為“逾期中”。3異常值處理運行之后，再查看“標當前狀態(tài)”的取值，發(fā)現(xiàn)只剩2個異常值，如圖所示。data.loc[data['標當前逾期天數(shù)']>0,'標當前狀態(tài)']='逾期中'對剩下2個異常值進行處理的代碼如下：data.loc[data['標當前狀態(tài)']=='0','標當前狀態(tài)']='正常還款中'data.loc[data['標當前狀態(tài)']=='0.49','標當前狀態(tài)']='逾期中'運行之后，再查看“標當前狀態(tài)”的取值，發(fā)現(xiàn)已經(jīng)沒有異常值了，如圖所示。從中可看出，“逾期中”的數(shù)據(jù)占比約為3.55%。數(shù)據(jù)分析與可視化在數(shù)據(jù)清洗之后，數(shù)據(jù)分析之前需要建立數(shù)據(jù)指標體系，本案例中的數(shù)據(jù)指標包括用戶認證率、逾期率、逾期用戶性別比例、不良資產(chǎn)率等。如果把數(shù)據(jù)分析比喻成做飯的話，對數(shù)據(jù)基本的了解和數(shù)據(jù)清洗相當于準備食材環(huán)節(jié)，建立數(shù)據(jù)統(tǒng)計指標相當于是查找菜譜，數(shù)據(jù)分析和可視化相當于燒菜和擺盤，每一個環(huán)節(jié)都很重要，都直接影響一盤菜的質(zhì)量。接下來我們就從性別、年齡、認證等維度來分析這些因素與是否逾期的關(guān)系，進而建立逾期用戶畫像。首先可以將“標當前狀態(tài)”分為“逾期中”和“未逾期”兩種，代碼如下：data.loc[data['標當前狀態(tài)']=='逾期中','是否逾期']='逾期中'data.loc[data['標當前狀態(tài)']!='逾期中','是否逾期']='未逾期'數(shù)據(jù)分析與可視化運行之后，數(shù)據(jù)中即新增一列“是否逾期”屬性，如圖所示。查看“是否逾期”屬性數(shù)據(jù)，發(fā)現(xiàn)逾期用戶占比約為3.55%，如圖所示。數(shù)據(jù)分析與可視化1)準備數(shù)據(jù)1性別維度使用groupby()和value_counts()方法分別對“逾期中”和“未逾期”用戶進行統(tǒng)計并按照性別排序，如圖所示。使用unstack()方法將數(shù)據(jù)的行索引變?yōu)榱兴饕鐖D所示。數(shù)據(jù)分析與可視化2)數(shù)據(jù)可視化1性別維度使用餅圖呈現(xiàn)所有用戶男女比例和逾期用戶男女比例，代碼如下。從中可看出，此網(wǎng)貸平臺男性用戶較多，占比約為65%，逾期用戶中男性占比約為70%。importmatplotlib.pyplotasplt#設(shè)置中文標簽顯示正常plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False#設(shè)置畫布plt.figure(figsize=(10,10),dpi=100)data_sex['總?cè)藬?shù)']=data_sex['逾期中']+data_sex['未逾期']plt.subplot(221)plt.pie(data_sex['總?cè)藬?shù)'],labels=['女','男'],autopct='%.2f%%')plt.title('所有用戶中男女比例')plt.subplot(222)plt.pie(data_sex['逾期中'],labels=['女','男'],autopct='%.2f%%')plt.title('逾期用戶中男女比例')plt.show()數(shù)據(jù)分析與可視化1)查看年齡分布情況2年齡維度使用seaborn的distplot()方法查看年齡分布情況。從中可看出，此網(wǎng)貸平臺的用戶年齡大多集中在20歲~40歲，結(jié)合上文中對男女比例的分析，可得出，此網(wǎng)貸平臺的大部分用戶為20歲~40歲的男性。importseabornassnsplt.figure(figsize=(10,10),dpi=100)plt.subplot(221)sns.distplot(data['年齡'],label='整體年齡分布')plt.legend()plt.subplot(222)sns.distplot(data['年齡'],label='整體年齡分布',color='#ADD8E6')sns.distplot(data[data['性別']=='男']['年齡'],label='男性年齡分布',color='#6495ED')sns.distplot(data[data['性別']=='女']['年齡'],label='女性年齡分布',color='#BA55D3')plt.legend()plt.show()數(shù)據(jù)分析與可視化2)探索各年齡借款金額與累計金額占比2年齡維度使用柱形圖（bar方法）、折線圖（plot方法）、豎線（axvline方法）顯示借款金額和年齡的關(guān)系，代碼如下。從中可看出約85%的借款被22~38歲的人借走了，接下來可以結(jié)合的年齡分布圖對年齡進行分箱。#各年齡借款金額與累計金額占比sum_age=data[['借款金額','年齡']].groupby(by='年齡').sum()sum_age['累計金額占比']=sum_age.cumsum()/sum_age.sum()age1=sum_age[sum_age['累計金額占比']>0.01].index[0]age2=sum_age[sum_age['累計金額占比']>0.85].index[0]plt.figure(figsize=(12,10),dpi=100)x=sum_age.index#年齡與借款金額柱形圖plt.bar(x,sum_age['借款金額'].values,label='借款金額')plt.legend(loc='upperleft')plt.xticks(x)plt.xlabel('年齡')plt.ylabel('借款金額：億元')#twinx()設(shè)置共享x軸，twiny()表示共享y軸plt.twinx()#累計金額占比折線圖plt.plot(x,sum_age['累計金額占比']