營銷數(shù)據(jù)分析 課件 第8章 基于決策樹的消費者響應(yīng)預(yù)測

基于決策樹的消費者響應(yīng)預(yù)測Let’sStart第8章決策樹的工作原理Howadecisiontreeworks構(gòu)造決策樹的算法Algorithmsforconstructingdecisiontrees問題的提出RaiseaquestionCONTENTS目錄消費者響應(yīng)預(yù)測案例示范Consumerresponsepredictioncasedemonstration思考題Thinkingproblems1問題的提出（一）促銷與消費者響應(yīng)促銷是營銷者主動與消費者溝通，將各種刺激產(chǎn)品消費的信息傳遞給消費者，吸引消費者購買的一種活動，常見的促銷策略包括廣告、人員推銷、營業(yè)推廣、公共關(guān)系和網(wǎng)絡(luò)營銷等。消費者響應(yīng)是指消費者對企業(yè)行為的態(tài)度以及所形成的消費意愿。日常生活中，消費者感知到的促銷具體手段有很多種，例如樣品、折價券、現(xiàn)金返還、買贈、滿減、抽獎等。這些手段往往都能給消費者帶來附加價值，從而激勵消費者購買。然而，附加價值對消費者的激勵作用存在邊際遞減效應(yīng)。當(dāng)附加價值達到某一水平后，每為消費者增加一個單位的附加價值所產(chǎn)生的銷售利潤轉(zhuǎn)為負數(shù)。因此，企業(yè)需要確定附加價值的大小，如分發(fā)樣品的數(shù)量、折價券的具體折扣、滿減時的標(biāo)準設(shè)定等。（一）促銷與消費者響應(yīng)傳統(tǒng)營銷中的促銷工具選擇往往是根據(jù)企業(yè)以往經(jīng)驗以及競爭對手水平來確定的，即使有些企業(yè)會調(diào)研消費者對不同促銷手段的反應(yīng)，但也只是事后才能知道促銷的效果，僅能為以后的促銷活動提供參考。在大數(shù)據(jù)背景下，企業(yè)可以通過對比消費者以往的購買行為數(shù)據(jù)和企業(yè)相應(yīng)的優(yōu)惠措施及優(yōu)惠程度，預(yù)先測試出消費者對不同優(yōu)惠程度的反應(yīng)，通過建模判斷出企業(yè)提供的附加價值的邊際臨界值，以最小成本獲得最優(yōu)消費激勵效果。（二）問題設(shè)計數(shù)字時代，如何采取有效的廣告策略，如何引發(fā)消費者積極的響應(yīng)，一直是消費者行為學(xué)的一個熱點議題?，F(xiàn)實中，大量商家經(jīng)常給消費者發(fā)送促銷短信，特別是一些重要的節(jié)日前后，期望產(chǎn)生更多的購買行為。但通常只會有部分消費者做出積極響應(yīng)，因此，知曉哪些消費者更有可能對企業(yè)促銷信息產(chǎn)生積極響應(yīng)對于優(yōu)化精準營銷策略、提升營銷效果具有重要意義。精準營銷就是找準時機，利用正確的通道向消費者傳達合適的信息，從而促使消費者做出企業(yè)所期待的響應(yīng)。決策樹算法基于一系列歸納算法的規(guī)則進行數(shù)據(jù)分類，是一種典型的用于預(yù)測的算法。某公司數(shù)據(jù)分析運營專員準備運用決策樹算法分析市場部收集到的客戶人群特征數(shù)據(jù)，挖掘出客戶對于營銷活動的反應(yīng)，從而專門推送廣告給會響應(yīng)營銷活動的客戶，以幫助企業(yè)減少成本。（三）問題的解決思路以往企業(yè)在分析促銷效果時存在明顯的滯后性，并且有一些促銷效果難以用量化的數(shù)據(jù)統(tǒng)計分析。在當(dāng)前大數(shù)據(jù)背景下，企業(yè)可以持續(xù)跟蹤營銷信息投放以及目標(biāo)消費者響應(yīng)的實時反饋，能夠?qū)崟r監(jiān)測營銷信息的投放效果，進而調(diào)整與優(yōu)化營銷策略。消費者響應(yīng)預(yù)測是基于以往數(shù)據(jù)，包括產(chǎn)品總體銷量情況、用戶消費情況、流量情況以及競爭情況等。本案例的基本思路是建立客戶人群特征數(shù)據(jù)的決策樹模型，具體如下：①首先觀察數(shù)據(jù)，以找到主要特征屬性；②通過模擬得出營銷活動響應(yīng)的預(yù)測模型；③根據(jù)模型結(jié)果為電商賣家營銷策略提供建議。根據(jù)營銷廣告的投放情況，利用可視化的手段對本次營銷活動的效果進行分析，最終形成廣告投放優(yōu)化建議。2決策樹的工作原理

決策樹是一種常用的以樹形結(jié)構(gòu)表達的分類算法，其中每個內(nèi)部節(jié)點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節(jié)點代表一種類別。根節(jié)點到每個葉子節(jié)點均形成一條分類的路徑規(guī)則，如圖8-1所示。而對新的樣本進行測試時，只需要從根節(jié)點開始，在每個分支節(jié)點進行測試，沿著相應(yīng)的分支遞歸地進入子樹再測試，一直到達葉子節(jié)點，該葉子節(jié)點所代表的類別即是當(dāng)前測試樣本的預(yù)測類別。決策樹內(nèi)部節(jié)點用矩形表示，葉子節(jié)點用橢圓表示。在決策樹中，每個葉節(jié)點都賦予一個類標(biāo)簽。每個非終結(jié)點（包括根節(jié)點以及內(nèi)部節(jié)點）則對應(yīng)一個屬性測試條件。從根節(jié)點到葉節(jié)點的每一條路徑都是決策樹的一條完整規(guī)則。圖8-1決策樹工作原理決策樹法是隨機決策模型中最常見、最普及的一種決策模式和方法。決策樹法屬于風(fēng)險型決策方法，可有效地控制了決策帶來的風(fēng)險。不同于確定型決策方法，應(yīng)用決策樹決策方法必須具備以下條件：（1）具有決策者期望達到的明確目標(biāo)（2）存在決策者可以選擇的兩個以上的可行的備選方案；（3）存在決策者無法控制的兩個以上不確定因素（如氣候變化、市場行情、經(jīng)濟發(fā)展動向等）；（4）不同方案在不同因素下的收益或損失（簡稱損益值）可以計算出來；（5）決策者可以估計不確定因素發(fā)生的概率。當(dāng)今的社會經(jīng)濟活動中，競爭日趨激烈，現(xiàn)代企業(yè)的經(jīng)營方向面臨著許多可供選擇的方案，如何用最少的資源，贏得最大的利潤以及最大限度地降低企業(yè)的經(jīng)營風(fēng)險，是企業(yè)決策者經(jīng)常面對的決策問題，決策樹法能簡單明了地幫助企業(yè)決策層分析企業(yè)的經(jīng)營風(fēng)險和經(jīng)營方向。3構(gòu)造決策樹的算法可視化信息數(shù)字經(jīng)濟時代下，作為一種戰(zhàn)略性生產(chǎn)要素，數(shù)據(jù)參與到價值主張、價值創(chuàng)造、價值交付、價值捕獲的全過程，而算法則是收集、處理數(shù)據(jù)，從而獲取營銷洞察的戰(zhàn)略性工具。決策樹算法是運用樹狀圖表示各決策的期望值，通過計算，最終優(yōu)選出效益最大、成本最小的決策方法。1.ID3算法1979年昆蘭提出了ID3算法，ID3算法是通過計算節(jié)點的信息增益來選擇節(jié)點屬性。信息增益越大，則表示使用該屬性作為節(jié)點對數(shù)據(jù)集劃分所獲得的"純度提升"越大。所以信息增益可以用于決策樹劃分屬性的選擇，其實就是選擇信息增益最大的屬性，ID3算法就是采用的信息增益來劃分屬性。ID3算法的規(guī)則相對簡單，可解釋性強。但同時存在缺陷，它傾向于選擇取值比較多的屬性，所以存在有些屬性可能對分類任務(wù)沒有太大作用（比如編號，但一般不會選擇編號字段作為一個屬性），但是這些屬性仍然會被選為最優(yōu)屬性。這種缺陷不是每次都會發(fā)生，只是存在一定概率，但針對可能發(fā)生的缺陷，后人提出了新的算法進行改進。2.C4.5算法C4.5算法采用基于信息增益率的方法遞歸選擇屬性形成決策樹，其中信息增益率=信息增益/屬性熵。ID3算法在計算時傾向于選擇取值比較多的屬性，但當(dāng)屬性有很多值的時候，相當(dāng)于被劃分成了許多份，雖然信息增益變大了，屬性熵也會變大，所以整體的信息增益率并不大，因此，C4.5算法避免了ID3算法的這個缺陷。ID3算法在構(gòu)造決策樹的時候，容易出現(xiàn)“過擬合”現(xiàn)象。而在C4.5算法中，會在決策樹構(gòu)造之后采用悲觀剪枝。悲觀剪枝通過遞歸估算每個內(nèi)部節(jié)點的分類錯誤率，比較剪枝前后這個節(jié)點的分類錯誤率來決定是否對其進行剪枝，以提升決策樹的泛化能力。相比于ID3算法，C4.5算法用信息增益率替代了信息增益，解決了噪聲敏感的問題，并且可以對構(gòu)造樹進行剪枝，同時還能處理連續(xù)數(shù)值與數(shù)值缺失的情況。不過，由于C4.5需要對數(shù)據(jù)集進行多次掃描，算法效率相對較低。3.Cart算法CART算法是一種應(yīng)用廣泛的決策樹學(xué)習(xí)方法。Cart被稱為分類回歸樹，既能是分類樹，也能是回歸樹。Cart算法與ID3、C4.5算法的不同之處在于Cart算法生成的必須是二叉樹。也就是說，不管是回歸還是分類問題，不管是離散型還是連續(xù)型特征變量，不管是有多個還是兩個屬性取值，內(nèi)部節(jié)點只能二分每一個屬性值。在用于分類問題時，Cart算法使用Gini（基尼）指數(shù)最小化準則來選擇特征劃分類型?；嶂笖?shù)（Gini不純度）表示在樣本集合中一個隨機選中的樣本被分錯的概率。Gini指數(shù)越小表示集合中被選中的樣本被參錯的概率越小，也就是說集合的純度越高，反之，集合純度越低。當(dāng)集合中所有樣本為一個類時，基尼指數(shù)為0。所以Cart算法選擇Gini指數(shù)小的屬性作為決策樹節(jié)點。4消費者響應(yīng)預(yù)測案例示范可視化信息1.探索數(shù)據(jù)源2.對數(shù)據(jù)進行預(yù)處理3.構(gòu)建決策樹模型4.預(yù)測得到高響應(yīng)率客戶5.對賣家提出促銷策略6.從廣告營銷效果角度進行可視化分析7.從客戶個人屬性角度進行可視化分析8.對廣告營銷投放的優(yōu)化流程：1.探索數(shù)據(jù)源案例使用到的數(shù)據(jù)包含兩部門：一是訓(xùn)練集數(shù)據(jù)，二是測試集數(shù)據(jù)。收集到的該賣家的歷史客戶人群特征訂單數(shù)據(jù)包含以下字段：客戶昵稱、用戶等級、用戶價值度、用戶活躍度、年齡、性別、收貨地址、寶貝種類、寶貝數(shù)量、支付金額、總瀏覽量、是否響應(yīng)。訓(xùn)練集共200條數(shù)據(jù)，測試集共有100條數(shù)據(jù)。注：特征變量數(shù)為10，“是否響應(yīng)”字段為目標(biāo)變量僅存在于訓(xùn)練集中不存在于測試集中。表8-1為“客戶特征數(shù)據(jù)”（共100條數(shù)據(jù)，此處只顯示前10條數(shù)據(jù)），表中包含了統(tǒng)計日期內(nèi)的用戶等級、用戶活躍度、用戶價值度以及支付金額等。表8-2為重要指標(biāo)詳解。首先將本實訓(xùn)用到的數(shù)據(jù)導(dǎo)入【關(guān)系數(shù)據(jù)源】中，新建實驗并保存實驗后，從左邊數(shù)據(jù)源模塊拖拽“關(guān)系數(shù)據(jù)源”節(jié)點至畫布區(qū)，并在右邊參數(shù)區(qū)根據(jù)自己上傳數(shù)據(jù)時所保存的路徑找到數(shù)據(jù)表。隨后右擊“關(guān)系數(shù)據(jù)源”節(jié)點并點擊“執(zhí)行到此處”，執(zhí)行成功后右擊查看關(guān)系數(shù)據(jù)源節(jié)點的輸出結(jié)果，輸出部分數(shù)據(jù)如圖8-2所示。圖8-2數(shù)據(jù)源2.對數(shù)據(jù)進行預(yù)處理

（1）將字符型字段進行特征轉(zhuǎn)換由于算法模型的字段僅支持數(shù)值型格式，所以需要將字符型字段轉(zhuǎn)換成數(shù)值型，這里需要用到“特征轉(zhuǎn)換”節(jié)點來實現(xiàn)特征類型的轉(zhuǎn)換。如圖8-3所示，選擇【特征工程】中的“特征選擇”節(jié)點，在選擇特征列中將需要轉(zhuǎn)換類型的文本型字段“性別”和“收貨地址”添加到“已選字段列表”中，進行特征轉(zhuǎn)換，為后續(xù)模型的訓(xùn)練做準備。圖8-3選擇需要進行轉(zhuǎn)換的特征列添加【特征工程】中的“特征轉(zhuǎn)換”節(jié)點至畫布區(qū)，該節(jié)點的作用是為轉(zhuǎn)換特征列增添后綴名而形成新的一列字段。該新增后綴名如圖8-4所示，為Index。圖8-4新增后綴名通過抽取、變換進行特征轉(zhuǎn)化處理，流程如圖8-5所示圖8-5流程圖變換后的新列列名及對應(yīng)數(shù)值如表8-3所示?！靶詣e”字段轉(zhuǎn)換為“column6Index”，“收貨地址”字段轉(zhuǎn)換為“column7Index”，具體見圖8-6所示。圖8-6訓(xùn)練集進行特征轉(zhuǎn)化后的字段（2）特征選擇將進行數(shù)值轉(zhuǎn)換好后的字段需進行特征選擇操作，為后續(xù)模型訓(xùn)練做準備。它的具體作用是從數(shù)據(jù)集中選取有用特征，用于分類預(yù)測或者回歸預(yù)測算法的訓(xùn)練。其中標(biāo)簽列必選，具體的特征列和標(biāo)簽列配置如下圖8-7所示。圖8-7選擇特征列和標(biāo)簽列所選擇特征列的字段為與所需要預(yù)測的“是否響應(yīng)”字段有較大相關(guān)性的特征字段，這里需注意的是特征列中應(yīng)選擇數(shù)值型字段和已經(jīng)進行了特征變換的字段，對于已經(jīng)進行了特征變換后的字段，即以Index結(jié)尾的字段，即“column6Index”和“column7Index”。而標(biāo)簽列為后續(xù)所需要預(yù)測的“是否響應(yīng)”字段。3.構(gòu)建決策樹模型（1）算法選擇&模型訓(xùn)練回顧本案例的目的是對電商客戶對營銷活動的響應(yīng)預(yù)測，這屬于分類問題，對應(yīng)的算法為分類算法，此處選擇決策樹算法。該算法是多酚類算法，是一種流行的機器學(xué)習(xí)分類算法，算法的核心是信息熵。它通過計算每個屬性的信息增益，認為信息增益高的屬性是好屬性，每次劃分選擇信息增益最高的屬性作為劃分標(biāo)準，重復(fù)這個過程，直至生成一個好的分類訓(xùn)練樣本的決策樹。拖拽【機器學(xué)習(xí)】-【分類算法】-【多分類算法】中的“決策樹”節(jié)點和【數(shù)據(jù)預(yù)處理】中的“拆分”節(jié)點至畫布區(qū)，“拆分”上節(jié)點承接進行了“行選擇1”操作后的訓(xùn)練集。數(shù)據(jù)拆分是將原始樣本集按照訓(xùn)練集和測試集的方式拆分為兩個子集。拆分后各個子集的比例總和小于等于100%。數(shù)據(jù)拆分經(jīng)常作為回歸或者分類算法節(jié)點的前置節(jié)點。具體的算法參數(shù)配置如圖8-8所示，圖8-8決策樹算法的參數(shù)配置分裂特征的數(shù)量為32，樹的深度為4?！安鸱帧惫?jié)點的參數(shù)配置如圖8-9所示，數(shù)據(jù)集占比為0.7，隨機種子默認為1。圖8-9拆分節(jié)點的參數(shù)配置選擇【機器學(xué)習(xí)】-【訓(xùn)練】中的“訓(xùn)練”節(jié)點和【機器學(xué)習(xí)】中的“預(yù)測”節(jié)點至畫布區(qū)。“訓(xùn)練”節(jié)點是基于選擇的特征，對各種分類和回歸算法進行訓(xùn)練，左邊輸入為待訓(xùn)練的算法，右邊輸入則為訓(xùn)練集。而“預(yù)測”節(jié)點是根據(jù)訓(xùn)練集以及各種分類或回歸算法對測試集進行結(jié)果預(yù)測，左邊輸入為已訓(xùn)練的模型或者已保存的模型，右邊輸入為測試集。最終將模型預(yù)測的結(jié)果承接給“評估”節(jié)點，對分類算法模型的預(yù)測效果進行評估，檢驗?zāi)Ｐ驮诜诸惾蝿?wù)中的表現(xiàn)或者檢驗其在回歸任務(wù)中的可靠性。運行并查看評估節(jié)點，具體評估結(jié)果如圖8-10和圖8-111所示。圖8-10評估結(jié)果1圖8-11評估結(jié)果2混淆矩陣也稱誤差矩陣，是表示精度評價的一種標(biāo)準格式，用n行n列的矩陣形式來表示。在數(shù)據(jù)挖掘領(lǐng)域，混淆矩陣是可視化工具，特別用于監(jiān)督學(xué)習(xí)?；煜仃嚨拿恳涣写砹祟A(yù)測類別，每一列的總數(shù)表示預(yù)測為該類別的數(shù)據(jù)的數(shù)目；每一行代表了數(shù)據(jù)的真實歸屬類別，每一行的數(shù)據(jù)總數(shù)表示該類別的數(shù)據(jù)實例的數(shù)目。每一列中的數(shù)值表示真實數(shù)據(jù)被預(yù)測為該類的數(shù)目。如圖8-11所示，第一行第一列中的表示有50個實際歸屬0的實例被預(yù)測為0，同理，第一行第二列的4表示有4個實際歸屬為0的實例被錯誤預(yù)測為1。總的來說，預(yù)測正確的有52個，預(yù)測錯誤的有6個。觀察評估結(jié)果1和結(jié)果2（圖8-11和圖8-12）可以看到，該模型的準確率（預(yù)測某類正確的樣本比例）為89.66%，召回率（真實為正的樣本中預(yù)測為正的樣本）為92.59%，可知該模型預(yù)測效果較好。（2）對測試集進行相關(guān)操作將第二個“關(guān)系數(shù)據(jù)源”拖入畫布區(qū)，將“客戶特征數(shù)據(jù)-測試集”上傳至該數(shù)據(jù)源，由于該數(shù)據(jù)集的詳情數(shù)據(jù)已經(jīng)展示過了，這里不做過多陳述。對于訓(xùn)練集也需要進行跟訓(xùn)練相關(guān)同樣的操作。一是，將文本型字段——“性別”和“收貨地址”進行特征轉(zhuǎn)換為數(shù)值型字段，相關(guān)配置如圖8-12所示。圖8-12特征選擇的相關(guān)配置最終測試集的部分變換結(jié)果如圖8-13所示。圖8-13測試集進行特征轉(zhuǎn)換的輸出二是，在進行了特征變換后，進行選擇特征列的操作。所選擇的特征列字段如圖8-14所示，注意選擇的字段應(yīng)為數(shù)值型字段。圖8-14特征選擇的相關(guān)配置4.預(yù)測得到高響應(yīng)率客戶 最后選擇【機器學(xué)習(xí)】中的“預(yù)測”節(jié)點對測試集中的數(shù)據(jù)進行預(yù)測。預(yù)測節(jié)點是根據(jù)訓(xùn)練集以及各種分類或回歸算法對測試集進行結(jié)果預(yù)測，左邊輸入為已訓(xùn)練的模型或者已保存的模型，右邊輸入為測試集。因此“預(yù)測”節(jié)點的左邊應(yīng)放入第四步已經(jīng)進行了訓(xùn)練的數(shù)據(jù)集。整體的工作流如下圖8-15所示。圖8-15整體工作流運行第二個“預(yù)測”節(jié)點查看預(yù)測結(jié)果，在列最后出現(xiàn)新字段“prediction”即為預(yù)測的結(jié)果，如下圖8-16所示。圖8-16預(yù)測結(jié)果5.對賣家提出促銷策略 為了方便觀察預(yù)測結(jié)果，可以選擇“聚合”節(jié)點，對“prediction”中的結(jié)果進行統(tǒng)計（如圖8-17所示）。根據(jù)該聚合結(jié)果，100名客戶中預(yù)測結(jié)果中，只有5名客戶會對營銷活動進行響應(yīng)，可以得出客戶對于該商家的營銷活動響應(yīng)率是比較低的。圖8-17對預(yù)測結(jié)果進行聚合觀察整體模型的訓(xùn)練和預(yù)測結(jié)果，可以為賣家提出的策略如下：①郵件營銷。郵件營銷是與電商客戶保持聯(lián)系的一種非常好的方式，可以與了解業(yè)務(wù)、并對電商產(chǎn)品感興趣的客戶直接進行溝通。②營銷自動化。營銷自動化，可以降低成本、提高轉(zhuǎn)換率、增加平均訂單價值，甚至在某些情況下，提升購物體驗。作為一項技能，營銷自動化就是在自動化平臺管理營銷過程和工作流程。可以找到適合自己電商業(yè)務(wù)的自動化營銷工具，并學(xué)會如何利用它。③頁面設(shè)計。圖表和頁面設(shè)計是網(wǎng)絡(luò)營銷的基本因素。廣告的方式、文章內(nèi)容、甚至是產(chǎn)品細節(jié)頁面外觀都影響著營銷信息或產(chǎn)品如何被大眾感知。④書寫，內(nèi)容營銷。書寫能力，本質(zhì)上就是能夠在網(wǎng)上交流。電商產(chǎn)品描述、博客帖子、引導(dǎo)文章、產(chǎn)品微視頻，都需要進行書寫。如果寫得好，能幫助推廣電商產(chǎn)品。好的內(nèi)容營銷是電商營銷成功的一個關(guān)鍵點。6.從廣告營銷效果角度進行可視化分析時代在不停的變化，從傳統(tǒng)的報紙、電視，到現(xiàn)在的互聯(lián)網(wǎng)出現(xiàn)，廣告主才真正擦亮眼睛，不會盲目的投放，而是學(xué)會借助網(wǎng)絡(luò)的力量。然而，廣告投放是一門廣告投放運營人必備的功課之一，廣告投放一個最核心的目標(biāo)就是占領(lǐng)用戶的心智。廣告的作用就是告知、說服、提醒、強化等功能。所以，廣告主的投放的目的就是希望能夠時不時的提醒用戶，讓用戶對你的產(chǎn)品進行轉(zhuǎn)化。因而，如何持續(xù)優(yōu)化廣告投放策略，成為了眾多廣告主優(yōu)先考慮的問題之一。將本實訓(xùn)用到的第二個數(shù)據(jù)源——廣告投放運營數(shù)據(jù)，對廣告投放效果進行分析，提出可行的優(yōu)化意見。將數(shù)據(jù)上傳至【數(shù)據(jù)集】中，以便后續(xù)對廣告投放效果進行可視化的分析?？梢暬瘜⒃凇痉治稣宫F(xiàn)】中的【自助儀表盤】版塊進行呈現(xiàn)，在數(shù)據(jù)搜索框中搜索已經(jīng)上傳至【數(shù)據(jù)集】中的數(shù)據(jù)名進行搜索并點擊選擇。（1）各渠道點擊量可視化對廣告營銷效果分析，首先從對各投放的渠道的廣告點擊量進行可視化分析。數(shù)據(jù)源中的“廣告投放渠道”字段包含三個廣告渠道內(nèi)容：社交廣告、搜索廣告和媒體廣告。由于對各廣告渠道的客戶的廣告點擊量的統(tǒng)計，因此將包含三個廣告渠道內(nèi)容的“廣告投放渠道”字段拖入列區(qū)域，將“客戶昵稱”字段拖入行區(qū)域，如下圖8-18所示。圖8-18選擇字段圖形選擇為“柱形圖”，如圖8-19所示。圖8-19圖形選擇對于圖形的坐標(biāo)軸以及圖形標(biāo)題的設(shè)置，可以在【組件設(shè)置】中進行相關(guān)的設(shè)置。在組件部分可以看到相關(guān)標(biāo)題設(shè)置的選項區(qū)域，這里輸入標(biāo)題名稱為“各渠道點擊量對比”并設(shè)置合適的字體大小和標(biāo)題位置，如圖8-20所示。圖8-20組件設(shè)置在【標(biāo)記】處選項卡中可以設(shè)置圖形的顏色，標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小。相關(guān)設(shè)置如圖8-21。圖8-21標(biāo)簽設(shè)置需要注意的是，想要達到對比的效果，這里需對各廣告渠道的客戶點擊量進行排序，如上圖8-18中，對“客戶昵稱”字段的排序方式設(shè)置為“升序排序”。最終各渠道點擊量對比可視化如下圖8-22所示。圖8-22各渠道點擊量對比從該可視化柱形圖（如圖8-22）中可以看出，在三個廣告渠道中，媒體廣告渠道的點擊量最多，搜索廣告渠道的點擊量最低。說明了媒體廣告投放渠道要優(yōu)于搜索廣告和社交廣告渠道。（2）各渠道不同時間段點擊量可視化對各渠道投放廣告的時間段進行可視化分析，拖入“廣告投放渠道”至行區(qū)域，“小時”字段至列區(qū)域。設(shè)置圖形為“柱圖”，并在【組件設(shè)置】中設(shè)置圖形的標(biāo)題為“各渠道不同時間段的點擊情況對比”。在“標(biāo)記”選項卡中可以設(shè)置圖形標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小。相關(guān)的設(shè)置如圖8-23所示。圖8-23字段選擇&標(biāo)簽設(shè)置最終各渠道不同時間段的點擊量情況對比圖，如下圖8-24所示。圖8-24各渠道不同時間段的點擊情況對比如圖8-24是三個廣告渠道不同時間段的點擊量對比柱形圖。結(jié)合各渠道點擊量對比柱形圖，可知點擊瀏覽媒體廣告的客戶數(shù)量最多，廣告點擊量在主要在早上5時、上午12時和晚間的20時。結(jié)合三個廣告渠道不同時間段的點擊情況，早晨3時至4時以及下午時段13時至17時的點擊量都比較低，這幾個時間段的廣告投放效果很差。當(dāng)然，點擊率的高低對比也受各時間段的瀏覽量影響，點擊率的低的時間段有可能是由于高瀏覽量造成，點擊率高的時間也有可能是由于低流量早晨。（3）各渠道周點擊量可視化對各渠道投放廣告以星期為時間段進行可視化分析，拖入“廣告投放渠道”至行區(qū)域，“星期幾”字段至列區(qū)域。設(shè)置圖形為“柱圖”，并在【組件設(shè)置】中設(shè)置圖形的標(biāo)題為“各渠道周點擊情況對比”。在“標(biāo)記”選項卡中可以設(shè)置圖形標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小?？梢暬^程與上步驟相似，這里進行省略。最終的可視化柱形圖如下圖8-25所示。圖8-25各渠道周點擊情況對比圖8-25統(tǒng)計出了各廣告渠道以星期為統(tǒng)計時間單位的點擊量情況對比柱形圖。通過分析可以看出這三個廣告渠道在周三點擊量在較高的水平，在周四的點擊量效果較差，其余時間點擊量比較平穩(wěn)，說明周五的廣告投放率效果比較好。7.從客戶個人屬性角度進行可視化分析大數(shù)據(jù)廣告投放的精準，很大程度上來源于對用戶的識別。依靠受眾行為分析，根據(jù)海量歷史行為數(shù)據(jù)，推斷其行為特征，并以此為依據(jù)，將最合適的、最有可能產(chǎn)生轉(zhuǎn)化的廣告展示給用戶。受眾行為分析一方面能夠提高用戶對于廣告的反饋程度，增加轉(zhuǎn)化率；另一方面能夠降低廣告主投放的成本，以更低廉的價格產(chǎn)生最佳的投放效果。（1）客戶點擊性別分布可視化從多維度進行數(shù)據(jù)分析，定義目標(biāo)人群，使?fàn)I銷中廣告的投放能更精準。因此這里對客戶的個人屬性——性別，進行可視化的分析。將維度中的“客戶昵稱”和“性別”字段拖至列中（如圖8-26），此時組件是以“清單表”的形式進行呈現(xiàn)的。圖8-26字段的選擇為了呈現(xiàn)對點擊廣告的客戶性比占比，這里選擇“智能配圖”中的餅圖（如圖8-27），“清單表”將自動以餅圖的形式呈現(xiàn)。在【組件設(shè)置】中設(shè)置圖形的標(biāo)題為“點擊用戶性別分布”。在“標(biāo)記”選項卡中可以設(shè)置圖形標(biāo)簽等。這里想要顯示標(biāo)簽，并讓標(biāo)簽顯示在外，以及標(biāo)簽的字體大小。圖8-27標(biāo)記相關(guān)設(shè)置最終的可視化餅圖如下圖8-28所示。圖8-28點擊用戶性別分布通過觀察分析可知，在點擊廣告的客戶中，男性客戶數(shù)量為107，占比達5