電子商務(wù)專業(yè)綜合實(shí)訓(xùn)實(shí)驗(yàn)報(bào)告2022年9月13日專業(yè)電子商務(wù)班級2班學(xué)號姓名成績實(shí)驗(yàn)名稱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)生對市場部門工作職能的認(rèn)識加強(qiáng)對關(guān)系數(shù)據(jù)庫讀寫的能力和實(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)生通過大數(shù)據(jù)分析手段解決業(yè)務(wù)問題的意識建立通過數(shù)據(jù)觀察市場表現(xiàn)的意識二、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：市場部選擇廣告投放方案7.1購買自行車的顧客有哪些特征？7.1.1用線性回歸選擇廣告投放方案項(xiàng)目七：如何進(jìn)行自行車精準(zhǔn)營銷？8.1性別、年收入、年齡是否影響購買？8.1.1性別、年收入對購買結(jié)果影響購買自行車8.1.2客戶年齡離散化8.1.3年齡對購買結(jié)果影響購買自行車8.2用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購買自行車客戶8.2.1用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購買自行車客戶項(xiàng)目十一：法務(wù)部門事故自行車?yán)碣r預(yù)測12.1用決策樹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用決策樹審核交通事故是否理賠2.電商平臺數(shù)據(jù)分析1.1電商平臺數(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：市場部選擇廣告投放方案7.1購買自行車的顧客有哪些特征？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)測數(shù)據(jù)節(jié)點(diǎn)→進(jìn)行預(yù)測數(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)測銷售收入。從計(jì)算結(jié)果可以看出，分別在報(bào)紙，廣播，電視上投放40萬元、60萬元、100萬元預(yù)計(jì)所得銷售收入最大，為1800多萬元，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)行自行車精準(zhǔn)營銷？8.1性別、年收入、年齡是否影響購買？8.1.1性別、年收入對購買結(jié)果影響購買自行車在個(gè)人免費(fèi)數(shù)獵場上增加項(xiàng)目重命名為“自行車精準(zhǔn)營銷”，在該項(xiàng)目上創(chuàng)建一個(gè)數(shù)據(jù)工作流命名為“性別，年收入對購買結(jié)果影響”并打開新建一個(gè)【課程數(shù)據(jù)庫】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一列從源列拖動到目標(biāo)列，并勾選Group屬性新建一列命名為”BuyerCount”，其【類型】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【年收入分組購買率】節(jié)點(diǎn)運(yùn)行結(jié)果可視化年收入和自行車購買情況柱狀圖年收入和自行車購買情況玫瑰圖在本實(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)了購買自行車的人數(shù)，還對年收入分組計(jì)算不同年齡的購買率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，通過比較不同年齡段用戶的購買情況來評估年齡對購買行為的影響8.1.3年齡對購買結(jié)果影響購買自行車在本實(shí)驗(yàn)中，我們把年齡數(shù)據(jù)進(jìn)行離散化，用來查看各個(gè)年齡段的總?cè)藬?shù)和購買者是否有明顯的差異，得到33歲到63歲之間人群是購買自行車的主要人群8.2用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購買自行車客戶8.2.1用神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)潛在購買自行車客戶在本實(shí)驗(yàn)中，我們對上下班距離進(jìn)行量化，將其從字符串類型轉(zhuǎn)換成數(shù)值類型，并進(jìn)行了首次購買自行車年齡的計(jì)算，最后訓(xùn)練了一個(gè)多層感知機(jī)分類模型，并用該模型預(yù)測新的人員是否購買自行車，用于進(jìn)行精準(zhǔn)營銷項(xiàng)目十一：法務(wù)部門事故自行車?yán)碣r預(yù)測12.1用決策樹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)從字符串類型轉(zhuǎn)換成DECIMAL類型的法，進(jìn)行兩列數(shù)據(jù)的皮爾遜相關(guān)系數(shù)的計(jì)算過程12.1.2用決策樹審核交通事故是否理賠其中“col_1”是預(yù)測結(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)測結(jié)果是1，表示對該事故需要理賠。（注意：因?yàn)橛?xùn)練集和測試機(jī)抽樣每次調(diào)試結(jié)果都會發(fā)生變動，算法的訓(xùn)練集比例咱們設(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)決策樹分類模型，然后引用該模型在測試數(shù)據(jù)集上進(jìn)行測試2.電商平臺數(shù)據(jù)分析1.1電商平臺數(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)量填充地圖銷量矩形塊類型銷量折線圖按性別統(tǒng)計(jì)銷量按年齡統(tǒng)計(jì)銷量1.1.2電商用戶行為分析可視化：PVUV趨勢圖PVUV變化圖隱藏PV_change指標(biāo)可以看到2014年12月12號前后PV和UV變化值較大，這里是受到雙12活動的影響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)過程中，主要出現(xiàn)以下幾種問題：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)會有點(diǎn)手忙腳亂，不過好在老師講課仔細(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，總是會因?yàn)橹杏⑽臉?biāo)點(diǎn)符號切換錯(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，總是會忘記創(chuàng)建落地對象導(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，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的關(guān)于大數(shù)據(jù)操作應(yīng)用的知識，認(rèn)識到了大數(shù)據(jù)對于企業(yè)經(jīng)營的便捷性與重要性。雖然在這過程中，我們遭遇到了許多錯(cuò)誤與挫折，但是通過與老師同學(xué)之間的不斷溝通交流，問題也得到一一解決。當(dāng)我在運(yùn)行中遇到錯(cuò)誤時(shí)，通過老師的指點(diǎn)，我學(xué)會了在錯(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)，再通過運(yùn)行往前逐步推測出問題所在，并重新設(shè)置該項(xiàng)工作流節(jié)點(diǎn)。通過自己不斷