家用电器用户行为分析及事件识别

一、模型应用

    某家用电器厂商（以下简称A厂商）新研发的一种WIFI热水器，想要挖掘用户对热水器的用水行为。根据美的公司提供的用户对热水器数据，展开了划分用水事件与识别洗浴事件为主的相对应的挖掘与分析。以使用一次热水作为一个基本事件，对提供的wifi记录数据进行用水事件划分与识别，了解用户整体使用热水器的分布情况，进而深入了解该热水器在客户中的使用行为习惯。

    借助A厂商提供的 WIFI 热水器的用户使用数据，分析他们在使用热水时的其他喜好与特点。比较不同客户群的客户使用习惯及客户价值，加深对客户的理解，对不同的客户群提供最适合的个性化产品，利于新产品的智能化开发与布局，并能有依据制定相应的营销策略与提供APP的数据支持。

二、实现流程

本次数据挖掘建模的主要流程如下：

1. 对历史数据进行选择性抽取，构建专家样本

2. 数据探索性分析与预处理

3. 建立洗浴事件识别模型

4. 对洗浴事件划分进行

5. 洗浴事件识别模型应用

    本例基于实时监控的WIFI热水器用户使用数据进行分析，挖掘热水器用户的洗浴特点、建立洗浴识别模型，同时建立了用电量、标准用水量等计算模型。通过分析用户的用水时的水流量、用水停顿时间间隔等指标，建立了用水事件的划分模型；在划分模型中，又对停顿时间间隔建立了阈值寻优模型；针对特殊的连续用水事件又建立了连续用水识别指标进行优化。为了提高洗浴事件识别率，制定了剔除短暂用水事件的筛选规则，以识别出“类似洗浴事件”；根据用户的用水日志的洗浴事件作为训练样本，通过BP神经网络模型识别洗浴事件。经过检验，模型识别准确率达到90%以上；单次用水事件的用电量、用水量等指标的计算结果，符合实际情况。

三、核心技术

• 时间序列数据处理

• 属性构造

• 用水事件阈值寻优模型

• BP神经网络模型

四、你可以将本模型用于

• 教与学：可落地操作、学生参与度高、交互性强；

• 科研：将神经网络技术与具体行业应用结合，为科学研究提供素材；

• 生产：将模型改进后直接用于实际生产环境：家电企业开拓新市场。

五、运行环境

windows／linux／mac OS，64位操作系统，CPU：4GB（GPU更好），Python3.5或以上 。

六、资源展示