写回答
-
完成ETL的相关工作之后，进入机器学习模块，将不同来源的人流量数据，统一到Data Lake架构里。通过数据清洗，得到需要的数据。然后，对数据进行校验，确定是否满足机器学习的模型训练需求。
通过使用预测模型，量化不同渠道的人流量，对最终消费进行预测。接下来，利用模型，整合各个媒介渠道影响客流量的百分比，对广告投放的优化提出可行性的见解。 第一张表是整个纽约州不同城市间的人流分布图，第二张表是NewYork City的人流分布图。可以直观看到不同城市间的人流量差距较大，所以要对纽约州的每个城市进行单独的分析。 接下来，使用Plot features对数据进行校验，使用Pandas数据框进行数据搜索，数据解析。
通过Python绘图，可以看到数据的分布情况，比如广告投放的连续情况，以及社交媒体网站的浏览情况。
完成上述操作后，对数据集的整体分布进行校验，得feature分布符合预期。综上所述该数据集满足Xgboost学习训练的要求。
接下来，使用Xgboost机器学习框架进行训练。通过调整参数，选择一个相对损失较小的训练模型，对该模型进行实际预测，从上图可以看到，红色线是预测结果，蓝色线是真实的客户流量。
通过该模型进行实际预测客流量的影响，占总体的得出社交媒体对客流量的影响，占总体的50.7% ,网页浏览对39%。故得出，不同渠道的广告对客流的影响，真实有效。
综上所述，利用SHAP模型整合各媒介渠道客流的百分比，通过绘制图表，能够准确找到影响客流量最大的因子。社交媒体和home页面访问是推动客流量最有效的渠道，所以预算分配可以有的放失，从而提高整体销售或市场份额。 以上内容摘自《Databricks数据洞悉》电子书，点击https://developer.aliyun.com/topic/download?id=8545可下载完整版
2022-07-29 10:41:33赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
阿里云EMR是云原生开源大数据平台，为客户提供简单易集成的Hadoop、Hive、Spark、Flink、Presto、ClickHouse、StarRocks、Delta、Hudi等开源大数据计算和存储引擎，计算资源可以根据业务的需要调整。EMR可以部署在阿里云公有云的ECS和ACK平台。
