机器学习已不再局限于理论探讨，而是广泛渗透到我们生活的方方面面，成为解决复杂问题、优化决策过程的强有力工具。从智能推荐系统个性化推送你可能喜爱的电影和商品，到金融风控领域精准识别欺诈交易；每一个应用场景都是机器学习技术多维度、深层次实战的精彩演绎，我们通过一些小案例对业务进行了解~
什么是数据指标💥
- 数据指标概念：可将某个事件量化，且可形成数字，来衡量目标。
- 数据指标的作用：当我们确定下来一套指标，就可以用指标来衡量业务，判断业务好坏
数据指标在企业和组织的运营管理中发挥着至关重要的作用，它们不仅是衡量和评价业务性能的工具，还是推动业务发展和改进的关键因素。
活跃用户指标💥
一个产品是否成功，如果只看一个指标，那么这个指标一定是活跃用户数
- 日活（DAU）：一天内日均活跃设备数
- 月活（MAU）：一个月内的活跃设备数
- 周活跃数（WAU）：一周内活跃设备数
- 活跃度（DAU/MAU）：体现用户的总体粘度，衡量期间内每日活跃用户的交叉重合情况
新增用户指标💥
主要是衡量营销推广渠道效果的最基础指标
- 日新增注册用户量：统计一天内，即指安装应用后，注册APP的用户数。
- 周新增注册用户量：统计一周内，即指安装应用后，注册APP的用户数。
- 月新增注册用户量：统计一月内，即指安装应用后，注册APP的用户数。
- 注册转化率：从点击广告/下载应用到注册用户的转化。
- DNU占比：新增用户占活跃用户的比例，可以用来衡量产品健康度
- 新用户占比活跃用户过高，那说明该APP的活跃是靠推广得来
留存指标💥
是验证APP对用户吸引力的重要指标。通常可以利用用户留存率与竞品进行对比，衡量APP对用户的吸引力
- 次日留存率：某一统计时段新增用户在第二天再次启动应用的比例
- 7日留存率：某一统计时段新增用户数在第7天再次启动该应用的比例，14日和30日留存率以此类推
行为指标💥
- PV（访问次数，Page View）：一定时间内某个页面的浏览次数，用户每打开一个网页可以看作一个PV。
- UV（访问人数，Unique Visitor）：一定时间内访问某个页面的人数。
- 转化率：计算方法与具体业务场景有关
- 淘宝店铺，转化率=购买产品的人数／所有到达店铺的人数
- 在广告业务中，广告转化率=点击广告进入推广网站的人数／看到广告的人数。
- 转发率：转发率=转发某功能的用户数／看到该功能的用户数
产品数据指标💥
- GMV （Gross Merchandise Volume）：指成交总额，也就是零售业说的“流水”
- 人均付费=总收入／总用户数
- 人均付费在游戏行业叫ARPU（Average Revenue Per User）
- 电商行业叫客单价
- 付费用户人均付费（ARPPU，Average Revenue Per Paying User）=总收入／付费人数，这个指标用于统计付费用户的平均收入
- 付费率=付费人数／总用户数。付费率能反映产品的变现能力和用户质量
- 复购率是指重复购买频率，用于反映用户的付费频率。
推广付费指标💥
- CPM（Cost Per Mille） ：展现成本，或者叫千人展现成本
- CPC（Cost Per Click） 点击成本，即每产生一次点击所花费的成本
- 按投放的实际效果付费（CPA，Cost Per Action）包括：
- CPD（Cost Per Download）：按App的下载数付费；
- CPI（Cost Per Install）：按安装App的数量付费，也就是下载后有多少人安装了App；
- CPS（Cost Per Sales）：按完成购买的用户数或者销售额来付费。
💫根据目前的业务重点，找到北极星指标，在实际业务中，北极星指标一旦确定，可以像天空中的北极星一样，指引着全公司向着同一个方向努力。
Python指标计算案例
数据中包含了某电商网站从2009年12月到2011年12月两年间的销售流水, 每条记录代表了一条交易记录, 包含如下字段
Invoice: 发票号码
StockCode: 商品编码
Description: 商品简介
InvoiceDate: 发票日期
Price: 商品单价
Customer ID: 用户ID
Country: 用户所在国家
计算的指标
- 月销售金额(月GMV)
- 月销售额环比
- 月销量
- 新用户占比: 新老用户
- 激活率
- 月留存率
from datetime import datetime, timedelta import pandas as pd %matplotlib inline import matplotlib.pyplot as plt import numpy as np import seaborn as sns data_1 = pd.read_excel('online_retail_II.xlsx',sheet_name='Year 2009-2010') data_2 = pd.read_excel('online_retail_II.xlsx',sheet_name='Year 2010-2011')
数据清洗
retail_data['购买时间'].describe() retail_data_clean = retail_data[(retail_data['商品单价']>0) & (retail_data['购买数量']>0)
计算月销量指标
商品编号相当于 SKU，SKU=Stock Keeping Unit（库存量单位）
retail_data_clean = retail_data_clean.query("(商品编号!='B') and (商品编号!='TEST001') and (商品编号!='TEST002') ") retail_data_clean['购买年月'] = pd.to_datetime(retail_data_clean['购买时间']).dt.to_period('M') retail_data_clean['金额'] = retail_data_clean['商品单价'] * retail_data_clean['购买数量'] gmv_m = retail_data_clean.groupby(['购买年月'])['金额'].sum().reset_index() gmv_m.columns = ['购买年月', '月GMV']
计算月销售额环比
gmv_m['金额'].pct_change()
- 该函数计算当前单元格和上一个单元格差异的百分比
机器学习多场景实战（二）+https://developer.aliyun.com/article/1544808?spm=a2c6h.13148508.setting.22.22454f0eHFZZj3
