8月python数据化运营分析组队-任务01

以下是任务01完成的纪要;

  1. 对概念理论部分学习后梳理的框架

XX数据化运营整体情况概述
是什么?
为谁服务?
目的是什么?
和传统手段相比?

XX数据化运营关键指标
1.整体指标
2.运营指标(eg.xx营销)
3.状态监控指标(eg.xx活跃度)
4.模型要素指标(eg.xx价值度)
5.生命周期指标(eg.xx生命周期订单量) — 宏观衡量指标,突破时间限制
6.异动指标(eg.xx流失率)

XX数据化运营应用场景
class1. (xx营销) — 改善运营
class2. (xx关怀) — 管控维护

XX数据化运营分析模型
1.xx细分模型
宏观性分析以及探索性分析,通过细分建立初步认知,为下一步的分析和应用提供基本认知
- 基于属性的方法
- ABC(activity base classification)分类法 — 由帕累托二八法则衍生出来的一种法则
- 聚类法
2.xx价值度模型
RFM
3.xx流失预测模型
4.xx特征分析模型
xx特征分析模型提供的结果可能是模糊的,也可能是明确的,例如:
- 明确的特征,这类特征模型提供了业务所要行动的细节要素,是一种具有极高落地价值的数据分析工作。
- 模糊的特征,它只有数据分析结果,未提供详细的动作因素,仅仅指明了下一步行动方向和目标。
xx特征分析主要应用于以下两种业务场景:
1.在没有任何前期经验或特定目标下触发,希望通过整体特征分析了解会员全貌,在这种模式下可以通过一定方法先将用户划分为几个类别,
然后再做基于类别的特征分析
实现方法:
- 聚类
- 统计分析
2.有明确的业务方向,希望找到能达到事件目标的会员特征,用于做进一步的xx运营
实现方法:
- 分类
- 关联
- 异常检测
5.营销相应预测模型

  1. RFM案例练习中一处代码的处理

#去除异常值与缺失值
for ind, each_data in enumerate(sheet_datas[:-1]):

for ind,eet_datas[:-1]):#enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列,同时列出数据和数据下标

sheet_datas[ind] = each_data.dropna()# 丢弃缺失值记录
sheet_datas[ind] = each_data[each_data['订单金额'] > 1]# 丢弃订单金额<=1的记录

sheet_datas[inach_data in enumerate(shed][‘max_year_date’] = each_data[‘提交日期’].max() # 增加一列最大日期值

**sheet_datas[ind]['max_year_date'] = each_data['提交日期'].max()**

非常感谢!!