電子商務(wù)專(zhuān)業(yè)綜合實(shí)訓(xùn)DEEP大數(shù)據(jù)分析實(shí)驗(yàn)報(bào)告

電子商務(wù)專(zhuān)業(yè)綜合實(shí)訓(xùn)實(shí)驗(yàn)報(bào)告2022年9月13日專(zhuān)業(yè)電子商務(wù)班級(jí)2班學(xué)號(hào)姓名成績(jī)實(shí)驗(yàn)名稱(chēng)DEEP大數(shù)據(jù)分析實(shí)驗(yàn)項(xiàng)目大數(shù)據(jù)理論基礎(chǔ)與應(yīng)用實(shí)踐電子商務(wù)大數(shù)據(jù)指導(dǎo)教師一、實(shí)驗(yàn)?zāi)康呐囵B(yǎng)學(xué)生對(duì)市場(chǎng)部門(mén)工作職能的認(rèn)識(shí)加強(qiáng)對(duì)關(guān)系數(shù)據(jù)庫(kù)讀寫(xiě)的能力和實(shí)操熟練程度掌握數(shù)據(jù)連接、加工、可視化的方法培養(yǎng)學(xué)生通過(guò)大數(shù)據(jù)分析手段解決業(yè)務(wù)問(wèn)題的意識(shí)建立通過(guò)數(shù)據(jù)觀察市場(chǎng)表現(xiàn)的意識(shí)二、實(shí)驗(yàn)內(nèi)容1.大數(shù)據(jù)理論基礎(chǔ)與應(yīng)用實(shí)戰(zhàn)項(xiàng)目六：市場(chǎng)部選擇廣告投放方案7.1購(gòu)買(mǎi)自行車(chē)的顧客有哪些特征？7.1.1用線性回歸選擇廣告投放方案項(xiàng)目七：如何進(jìn)行自行車(chē)精準(zhǔn)營(yíng)銷(xiāo)？8.1性別、年收入、年齡是否影響購(gòu)買(mǎi)？8.1.1性別、年收入對(duì)購(gòu)買(mǎi)結(jié)果影響購(gòu)買(mǎi)自行車(chē)8.1.2客戶年齡離散化8.1.3年齡對(duì)購(gòu)買(mǎi)結(jié)果影響購(gòu)買(mǎi)自行車(chē)8.2用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購(gòu)買(mǎi)自行車(chē)客戶8.2.1用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購(gòu)買(mǎi)自行車(chē)客戶項(xiàng)目十一：法務(wù)部門(mén)事故自行車(chē)?yán)碣r預(yù)測(cè)12.1用決策樹(shù)審核交通事故是否理賠12.1.1計(jì)算交通事故理賠數(shù)據(jù)的相關(guān)12.1.2用決策樹(shù)審核交通事故是否理賠2.電商平臺(tái)數(shù)據(jù)分析1.1電商平臺(tái)數(shù)據(jù)分析1.1.1母嬰電商數(shù)據(jù)分析1.1.2電商用戶行為分析三、實(shí)驗(yàn)步驟1.大數(shù)據(jù)理論基礎(chǔ)與應(yīng)用實(shí)戰(zhàn)項(xiàng)目六：市場(chǎng)部選擇廣告投放方案7.1購(gòu)買(mǎi)自行車(chē)的顧客有哪些特征？7.1.1用線性回歸選擇廣告投放方案創(chuàng)建工作流→課程數(shù)據(jù)庫(kù)節(jié)點(diǎn)→e_advertising節(jié)點(diǎn)→組織訓(xùn)練數(shù)據(jù)→進(jìn)行線性回歸分析→e_advertising_predict節(jié)點(diǎn)→組織預(yù)測(cè)數(shù)據(jù)節(jié)點(diǎn)→進(jìn)行預(yù)測(cè)數(shù)據(jù)其中列“predict”表示在不同的媒體上投放廣告所得的預(yù)測(cè)銷(xiāo)售收入。從計(jì)算結(jié)果可以看出，分別在報(bào)紙，廣播，電視上投放40萬(wàn)元、60萬(wàn)元、100萬(wàn)元預(yù)計(jì)所得銷(xiāo)售收入最大，為1800多萬(wàn)元，因此可以參選這種方案的廣告投放預(yù)算方案進(jìn)行實(shí)施線性回歸的運(yùn)行結(jié)果：項(xiàng)目七：如何進(jìn)行自行車(chē)精準(zhǔn)營(yíng)銷(xiāo)？8.1性別、年收入、年齡是否影響購(gòu)買(mǎi)？8.1.1性別、年收入對(duì)購(gòu)買(mǎi)結(jié)果影響購(gòu)買(mǎi)自行車(chē)在個(gè)人免費(fèi)數(shù)獵場(chǎng)上增加項(xiàng)目重命名為“自行車(chē)精準(zhǔn)營(yíng)銷(xiāo)”，在該項(xiàng)目上創(chuàng)建一個(gè)數(shù)據(jù)工作流命名為“性別，年收入對(duì)購(gòu)買(mǎi)結(jié)果影響”并打開(kāi)新建一個(gè)【課程數(shù)據(jù)庫(kù)】節(jié)點(diǎn)，連接大數(shù)據(jù)理論基礎(chǔ)與應(yīng)用實(shí)戰(zhàn)后，抽取【數(shù)據(jù)源】面板中選中targetmail表創(chuàng)建一個(gè)【轉(zhuǎn)換】節(jié)點(diǎn)

重命名為“統(tǒng)計(jì)性別”，連接上游選擇“統(tǒng)計(jì)性別”節(jié)點(diǎn)，在【數(shù)據(jù)轉(zhuǎn)換】面板上將Gender一列從源列拖動(dòng)到目標(biāo)列，并勾選Group屬性新建一列命名為”BuyerCount”，其【類(lèi)型】屬性設(shè)為INT，【聚合】屬性設(shè)置為【求和】，然后創(chuàng)建從源列“BikeBuyer”到“BuyerCount”列的連線新建一列命名為“Count”，其【聚合】屬性設(shè)為【計(jì)數(shù)】，然后創(chuàng)建從BikeBuyer到Count的連線運(yùn)行及結(jié)果創(chuàng)建一個(gè)年收入節(jié)點(diǎn)，與性別統(tǒng)計(jì)分析同樣的方式創(chuàng)建【年收入分組購(gòu)買(mǎi)率】節(jié)點(diǎn)運(yùn)行結(jié)果可視化年收入和自行車(chē)購(gòu)買(mǎi)情況柱狀圖年收入和自行車(chē)購(gòu)買(mǎi)情況玫瑰圖在本實(shí)驗(yàn)中，我們按照不同性別

和年收入的人進(jìn)行分組，分別統(tǒng)計(jì)了購(gòu)買(mǎi)自行車(chē)的人數(shù)，還對(duì)年收入分組計(jì)算不同年齡的購(gòu)買(mǎi)率8.1.2客戶年齡離散化在本實(shí)驗(yàn)中，我們首先計(jì)算年齡的最大值和最小值，然后根據(jù)最大值和最小值，把年齡離散化成7個(gè)年齡段，通過(guò)比較不同年齡段用戶的購(gòu)買(mǎi)情況來(lái)評(píng)估年齡對(duì)購(gòu)買(mǎi)行為的影響8.1.3年齡對(duì)購(gòu)買(mǎi)結(jié)果影響購(gòu)買(mǎi)自行車(chē)在本實(shí)驗(yàn)中，我們把年齡數(shù)據(jù)進(jìn)行離散化，用來(lái)查看各個(gè)年齡段的總?cè)藬?shù)和購(gòu)買(mǎi)者是否有明顯的差異，得到33歲到63歲之間人群是購(gòu)買(mǎi)自行車(chē)的主要人群8.2用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購(gòu)買(mǎi)自行車(chē)客戶8.2.1用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購(gòu)買(mǎi)自行車(chē)客戶在本實(shí)驗(yàn)中，我們對(duì)上下班距離進(jìn)行量化，將其從字符串類(lèi)型轉(zhuǎn)換成數(shù)值類(lèi)型，并進(jìn)行了首次購(gòu)買(mǎi)自行車(chē)年齡的計(jì)算，最后訓(xùn)練了一個(gè)多層感知機(jī)分類(lèi)模型，并用該模型預(yù)測(cè)新的人員是否購(gòu)買(mǎi)自行車(chē)，用于進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)項(xiàng)目十一：法務(wù)部門(mén)事故自行車(chē)?yán)碣r預(yù)測(cè)12.1用決策樹(shù)審核交通事故是否理賠12.1.1計(jì)算交通事故理賠數(shù)據(jù)的相關(guān)在本實(shí)驗(yàn)中，我們學(xué)習(xí)了在抽取數(shù)據(jù)時(shí)把數(shù)據(jù)從字符串類(lèi)型轉(zhuǎn)換成DECIMAL類(lèi)型的法，進(jìn)行兩列數(shù)據(jù)的皮爾遜相關(guān)系數(shù)的計(jì)算過(guò)程12.1.2用決策樹(shù)審核交通事故是否理賠其中“col_1”是預(yù)測(cè)結(jié)果，0表示理賠，1表示不理賠，“CaseId”是其Id。例如第一行，表示CaseId是4的事故，預(yù)測(cè)結(jié)果是1，表示對(duì)該事故需要理賠。（注意：因?yàn)橛?xùn)練集和測(cè)試機(jī)抽樣每次調(diào)試結(jié)果都會(huì)發(fā)生變動(dòng)，算法的訓(xùn)練集比例咱們?cè)O(shè)置的70%，以及算法中使用了大量的概率時(shí)間所以，每次調(diào)試結(jié)果都會(huì)發(fā)生變化，且查看器面板最多只能顯示100調(diào)記錄）在本實(shí)驗(yàn)中，我們學(xué)習(xí)了用抽樣節(jié)點(diǎn)把數(shù)據(jù)分隔成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的方法，利用訓(xùn)練數(shù)據(jù)集訓(xùn)練了一個(gè)決策樹(shù)分類(lèi)模型，然后引用該模型在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試2.電商平臺(tái)數(shù)據(jù)分析1.1電商平臺(tái)數(shù)據(jù)分析1.1.1母嬰電商數(shù)據(jù)分析可視化：各區(qū)網(wǎng)點(diǎn)數(shù)量填充地圖銷(xiāo)量矩形塊類(lèi)型銷(xiāo)量折線圖按性別統(tǒng)計(jì)銷(xiāo)量按年齡統(tǒng)計(jì)銷(xiāo)量1.1.2電商用戶行為分析可視化：PVUV趨勢(shì)圖PVUV變化圖隱藏PV_change指標(biāo)可以看到2014年12月12號(hào)前后PV和UV變化值較大，這里是受到雙12活動(dòng)的影響PVUV雷達(dá)圖不同日期用戶行為折線圖轉(zhuǎn)化漏斗圖不同時(shí)間用戶行為散點(diǎn)圖四、問(wèn)題討論及實(shí)驗(yàn)心得實(shí)驗(yàn)心得：在進(jìn)行大數(shù)據(jù)理論基礎(chǔ)與應(yīng)用實(shí)戰(zhàn)的學(xué)習(xí)過(guò)程中，主要出現(xiàn)以下幾種問(wèn)題：首先，由于不熟悉工作面板，導(dǎo)致跟著老師一步步操作時(shí)會(huì)有點(diǎn)手忙腳亂，不過(guò)好在老師講課仔細(xì)，雖然有些慌亂但還是勉強(qiáng)跟上了步伐。但是一旦遇到運(yùn)行不了的情況，進(jìn)度就會(huì)停滯不前，也不清楚錯(cuò)在了哪一步。第二，在進(jìn)行數(shù)據(jù)轉(zhuǎn)換器Choice等的條件設(shè)置中，總是會(huì)因?yàn)橹杏⑽臉?biāo)點(diǎn)符號(hào)切換錯(cuò)誤導(dǎo)致最后編譯失敗。第三，在最后創(chuàng)建量化、轉(zhuǎn)換節(jié)點(diǎn)的時(shí)候，總是會(huì)忘記創(chuàng)建落地對(duì)象導(dǎo)致編譯失敗。第四，在數(shù)據(jù)轉(zhuǎn)換面板進(jìn)行predict模型選擇時(shí)，常常因?yàn)槟Ｐ瓦x擇錯(cuò)誤只能刪除重新添加算法，出現(xiàn)忽視后續(xù)工作流節(jié)點(diǎn)的目標(biāo)列與源列連接，導(dǎo)致后續(xù)操作出現(xiàn)沒(méi)有列連接的情況而報(bào)錯(cuò)。在學(xué)習(xí)電子商務(wù)大數(shù)據(jù)時(shí)，主要出現(xiàn)兩種問(wèn)題。首先，由于電子商務(wù)大數(shù)據(jù)涉及的可視化內(nèi)容較多，操作比理論基礎(chǔ)稍微復(fù)雜一點(diǎn)。其次，電子商務(wù)大數(shù)據(jù)運(yùn)行的數(shù)據(jù)量較大，導(dǎo)致運(yùn)行調(diào)試耗時(shí)長(zhǎng)，跟不上老師進(jìn)度，更容易出錯(cuò)。在這為期4天的大數(shù)據(jù)學(xué)習(xí)中，我們了解到了一些初級(jí)的關(guān)于大數(shù)據(jù)操作應(yīng)用的知識(shí)，認(rèn)識(shí)到了大數(shù)據(jù)對(duì)于企業(yè)經(jīng)營(yíng)的便捷性與重要性。雖然在這過(guò)程中，我們?cè)庥龅搅嗽S多錯(cuò)誤與挫折，但是通過(guò)與老師同學(xué)之間的不斷溝通交流，問(wèn)題也得到一一解決。當(dāng)我在運(yùn)行中遇到錯(cuò)誤時(shí)，通過(guò)老師的指點(diǎn)，我學(xué)會(huì)了在錯(cuò)誤節(jié)點(diǎn)設(shè)置目的地和創(chuàng)建異常工作流節(jié)點(diǎn)，再通過(guò)運(yùn)行往前逐步推測(cè)出問(wèn)題所在，并重新設(shè)置該項(xiàng)工作流節(jié)點(diǎn)。通過(guò)自己不斷