找出會買單的顧客！Python模組實戰

接續上篇介紹三樣分析模組：找出會買單的顧客！Python模組介紹

這次，鍾皓軒老師給我們超過萬筆的顧客資料，目標是要找出有高機率買A銀行P金融商品的顧客。

P產品資訊

首先，要先測試哪個模組的精準度最高。

XGBoost精準度

最終測試出，XGBoost的精準度比起其他兩種高，高達0.89063。我們也用這三種模型預測Train Data的利潤和Test Data的利潤。最後，因為精準度與預期利潤高低，我們採用XGBoost作為模型。

Train Data 預測利潤

Test Data 預測利潤

重要性程度分析

重要性程度

透過Python跑重要性程度分析，發現職業種類和聯繫方式，會大大影響顧客的購買意願。於是，我們針對「已成功購買」的各個職業進行分析。

以管理職舉例。我們運用初階Python的技巧，設定好橫軸縱軸的參數後，發現成功購買且為管理職的人，在100天或200天，聯絡次數高的話，購買機率會較大。

管理職的聯絡天數、次數與秒數

我們將各職業的聯絡天數與秒數做統整，方便老闆做決策。

各個職業的聯絡天數秒數次數統整

最後，我們提出了我們的建議。

擬定策略

我們透過Python(1)選擇模型，(2)分析是否購買的重要因素，並最後(3)擬定策略。

老師曾說，Python在未來會變成像是Word的存在，不論是PM還是Sales，都必須要具備Python分析的能力。

上完這門課，雖然說自己分析的能力還沒很成熟，但至少是跨出了很大的一部。從懼怕程式碼到接受並運用它，很謝謝一路教導的老師和同學們。

期待ITI下次還會開甚麼有趣的課呢？

-完-