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。
本次数据挖掘建模的主要流程如下:
对历史数据进行选择性抽取,构建专家样本
数据探索性分析与预处理
建立洗浴事件识别模型
对洗浴事件划分进行
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。
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
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。
windows/linux/mac OS,64位操作系统,CPU:4GB(GPU更好),Python3.5或以上 。
评论已有 0 条