《数据挖掘与机器学习》 课件9.2.1 分析用户基本信息.pptx

构建电信运营商用户分群模型;任务描述;任务要求;用户分群是依据用户的属性特征和行为特征、交易信息将用户群体进行分类，对其进行观察和分析的方式。

从技术视角，用户分群的方式主要有两种：基于规则的分群方法（Rule-basedSegmentation）和基于算法的分群方法（ML-basedSegmentation）。

基于规则的分群方法：主要适用于业务规则确定，分群采用的用户特征维度单一的场景。

基于算法的分群方法：主要用于用户特征维度高，人工无法设定合理分群规则的场景。;聚类分析（ClusterAnalysis）和RFM模型（Recency,Frequency,Monetary）是常用的用户分群方法。

聚类分析常见的数据挖掘手段，其主要假设是数据间存在相似性。而相似性是有价值的，因此可以被用于探索数据中的特性以产生价值。

RFM模型又称用户价值模型，是网点衡量当前用户价值和用户潜在价值的重要工具。;用户分群把具备某种相同特性的用户归结在一起，再按照特定的条件选出目标用户，进行洞察分析查看用户特征。

对客户性别、年龄、在网时长等信息进行可视化处理，观察并分析客户基本信息与用户流失的关系，使企业由粗放式管理转向精细化运营。

面对不同人群差异化的特征和需求，降本增效，激发更加明显的竞争优势。为进一步提升企业能力，企业应坚持发扬斗争精神，依靠顽强斗争打开事业发展新天地。;分析用户基本信息

构建K-Means模型;分析用户基本信息;为了直观地观察客户性别与用户流失之间的关系，对处理后的数据进行性别分析。

首先导入相关库及数据，构建性别比率函数分别计算流失用户和非流失用户中的性别比率，使用pie函数绘制性别比率饼图。;为了直观地观察客户年龄与用户流失之间的关系，对处理后的数据进行性别分析。

使用plot函数绘制在流失用户和非流失用户中客户年龄的分析散点图。;为了直观地观察客户在网时长与用户流失之间的关系，对处理后的数据进行在网时长分析。

使用plot函数绘制在流失用户和非流失用户中的客户在网时长分析折线图。;为了直观地观察客户合约计划到期时间与用户流失之间的关系，对处理后的数据进行计划到期时间分析。

使用bar函数绘制??流失用户和非流失用户中的客户计划到期时间频数直方图。;为了直观地观察客户是否有效与用户流失之间的关系，对处理后的数据进行用户是否有效分析。

使用bar函数绘制在流失用户和非流失用户中的客户是否有效直方图。;为了探究无效用户在流失与非流失用户群体中的占比情况。

使用sum()方法计算是否有效用户的频数，并使用bar函数绘制绘制直方图。;为了直观地观察客户信用等级与用户流失之间的关系，对处理后的数据进行信用等级分析。

使用bar函数绘制在流失用户和非流失用户中的客户信用等级直方图。