数据挖掘---营销推广预测响应

数据集及源码：https://download.csdn.net/download/qq_42363032/12645777

文章目录

预测
- 1.读取数据
- 2.提取X和Y
- 3.连续型变量特征重要性筛选（相关系数）
- - 将相关系数小于0.1的删除(弱相关)
  - 筛选之后的数值型特征
- 4.离散型变量特征筛选（方差分析）
- - 筛选之后的离散型特征
- 5.特征重新拼接
- - 看一下连续型特征的基本统计量（EDA探索性分析）
  - 连续型变量处理
  - - 对数处理
  - 看一下离散型特征的基本统计量（EDA探索性分析）
  - 离散型变量处理
- 6.前向选择法筛选变量
- 7.建立线性回归模型
回归
- 1.读入数据
- - 一个经验的做法，对特征去重，根据去重后的个数是否大于10，来判断特征是数值型还是离散型
- 2.特征筛选（卡方检验）
- - 以DemGender列为例
  - 以StatusCat96NK列为例
- 3.通过WOE、IV看一下特征筛选
- - 底层实现
  - 调包实现
  - - 根据IV值筛选离散变量
    - 根据IV值筛选连续型变量
- 4.EDA探索性分析
- - 消除异常值
  - - 1.均值加减三倍标准差，盖帽法替换
    - 2.计算百分数
- 5.针对有问题的变量进行修改
- - 连续型变量修改
  - 离散型变量修改
- 6.通过随机森林对变量的重要性进行筛选
- 7.变量聚类
- 8.逻辑回归建模
- 9.ROC曲线

预测

1.读取数据

做预测，所以离散列TARGET_B删除

import pandas as pd
import numpy as np
import matplotlib.pyplot as pltmodel_data = pd.read_csv("donations2.csv").drop(["ID","TARGET_B"],1)   # 做预测，离散值TARGET_B删除
model_data.head()

2.提取X和Y

做预测，Y是连续型

特征有好多列，既有数值型又有离散型，这里把数值型取出为一组，离散型取出为一组，分别用相关系数和方差分析做特征筛选

print(model_data.dtypes)  # 看一下数据类型
y = ["TARGET_D"]
# 提取X分为数值类型和非数值类型
var_c = ["GiftCnt36","GiftCntAll","GiftCntCard36","GiftCntCardAll","GiftTimeLast","GiftTimeFirst","PromCnt12","PromCnt36","PromCntAll","PromCntCard12","PromCntCard36","PromCntCardAll","StatusCatStarAll","DemAge","DemMedHomeValue","DemPctVeterans","DemMedIncome","GiftAvgLast","GiftAvg36","GiftAvgAll","GiftAvgCard36"]
var_d = ['DemGender', 'StatusCat96NK', 'DemCluster', 'DemHomeOwner']
X = model_data[var_c + var_d]
Y = model_data[y]

3.连续型变量特征重要性筛选（相关系数）

X和Y都是数值型用相关系数

corr_s = abs(model_data[y + var_c].corr(method = 'spearman'))   # spearman：斯皮尔曼相关系数
# print(corr_s['TARGET_D'])
corr_s = pd.DataFrame(corr_s.iloc[0,:])   # 第一列是TARGET_D
corr_p = abs(model_data[y + var_c].corr(method = 'pearson'))   # pearson：皮尔逊相关系数
corr_p = pd.DataFrame(corr_p.iloc[0,:])
corr_sp = pd.concat([corr_s,corr_p], axis = 1)
corr_sp.columns = ['spearman','pearson']
corr_sp

将相关系数小于0.1的删除(弱相关)

corr_sp[(corr_sp['spearman'] <= 0.1) & (corr_sp['pearson'] <= 0.1)]

筛选之后的数值型特征

var_c_s = set(var_c) - set(['PromCnt12','PromCnt36','PromCntCard12','DemAge','DemPctVeterans','DemMedIncome'])   # 集合的差集运算
var_c_s = list(var_c_s)
var_c_s

4.离散型变量特征筛选（方差分析）

X和Y既有离散型又有数值型用方差分析

# 当X和Y既有离散值又有连续值，通过方差分析看二者之间关系
# P值大于0.05的，需要删除，这些特征都是没有影响的没有关系的
import statsmodels.stats.anova as anova
from statsmodels.formula.api import ols
for i in var_d:formula = "TARGET_D ~ " + str(i)print(anova.anova_lm(ols(formula,data = model_data[var_d+['TARGET_D']]).fit()))  # 方差分析是线性方程的特例

P值大于0.05的需要删除，说明此特征对Y没有影响没有关系

筛选之后的离散型特征

var_d_s = list(set(var_d) - set(["DemHomeOwner"]))
var_d_s

5.特征重新拼接

X = model_data[var_c_s + var_d_s].copy()
Y = model_data[y].copy()
model_data[var_c_s+var_d_s].head()

看一下连续型特征的基本统计量（EDA探索性分析）

X[var_c_s].describe().T   # 看一下数值型特征的描述性信息，基本的统计量
# count代表有效值的数量

abs((X[var_c_s].mode().iloc[0,] - X[var_c_s].median()) /(X[var_c_s].quantile(0.75) - X[var_c_s].quantile(0.25)))
# （众数 - 中位数）/（上四分位数 - 下四分位数）【极差】
# 如果值大于0.8或者大于1，说明这个数稍微有点偏了，有可能存在异常值

看一下直方图和偏度值

X["PromCntAll"].hist()

X["DemMedHomeValue"].hist()

X["DemMedHomeValue"].describe().TX['DemMedHomeValue'].replace(0, np.nan, inplace = True)

说明PromCntAll和DemMedHomeValue需要做对数处理

连续型变量处理

1 - (X.describe().T["count"]) / len(X)

GiftAvgCard36_fill = X["GiftAvgCard36"].median()  # 中位数
DemMedHomeValue_fill = X["DemMedHomeValue"].median()
X["GiftAvgCard36"].fillna(GiftAvgCard36_fill,inplace = True)  # 用中位数进行缺失值填充
X["DemMedHomeValue"].fillna(DemMedHomeValue_fill,inplace = True)
skew_var_x = {}
for i in var_c_s:skew_var_x[i]=abs(X[i].skew())   # 看一下峰值
skew = pd.Series(skew_var_x).sort_values(ascending=False)
skew

var_x_ln = skew[skew >= 1].index  #返回大于等于1的索引
var_x_ln

对数处理

# 对数处理
for i in var_x_ln:if min(X[i]) <= 0:X[i] = np.log(X[i] + abs(min(X[i])) + 0.01)else:X[i] = np.log(X[i])

# 看一下峰值
skew_var_x = {}
for i in var_c_s:skew_var_x[i]=abs(X[i].skew())skew = pd.Series(skew_var_x).sort_values(ascending=False)
skew

看一下离散型特征的基本统计量（EDA探索性分析）

对于离散型的变量没有办法算统计量，一般情况做一下频数分布的计算

类别数一般6-8类就是比较不错的

X["DemGender"].value_counts()  # 这个特征只有3类，还可以

X["StatusCat96NK"].value_counts() #有的水平数量太少，需要合并，类别少的归成一类

X["DemCluster"].value_counts()[:10]  # 这个类别太多，好像50多个，也需要合并，比如合并到8-10类

离散型变量处理

对于DemCluster

# as_index 的默认值为True， 对于聚合输出，返回以组标签作为索引的对象。仅与DataFrame输入相关。as_index = False实际上是“SQL风格”的分组输出
DemC_group = model_data[['DemCluster','TARGET_D']].groupby('DemCluster',as_index = False)
DemC_C= DemC_group['TARGET_D'].agg({'mean' : 'mean','count':'count',"median":"median"}).sort_values(["median","mean"])
DemC_C["count_cumsum"] = DemC_C["count"].cumsum()
DemC_C["new_DemCluster"] = DemC_C["count_cumsum"].apply(lambda x:x//(len(model_data)/10)+1)
DemC_C["new_DemCluster"] = DemC_C["new_DemCluster"].astype(int)
DemC_C

len(model_data)

DemCluster_new_class = DemC_C[["DemCluster","new_DemCluster"]].set_index("DemCluster")
X["DemCluster"] = X["DemCluster"].map(DemCluster_new_class.to_dict()['new_DemCluster'])
new_DemGender = {"F":1,"M":2,"U":3}
X['DemGender'] = X['DemGender'].map(new_DemGender)

对于StatusCat96NK

StatusCat96NK_group = model_data[['StatusCat96NK','TARGET_D']].groupby('StatusCat96NK', as_index = False)
StatusCat96NK_class = StatusCat96NK_group['TARGET_D'].agg({'mean' : 'mean', 'count':'count',"median":"median"}).sort_values(["median","mean"])
StatusCat96NK_class

new_StatusCat96NK = {"S":1,"A":2,"E":2,"N":2,"F":2,"L":2}
X['StatusCat96NK'] = X['StatusCat96NK'].map(new_StatusCat96NK)
X.head()

6.前向选择法筛选变量

import statsmodels.formula.api as smf
def forward_selected(data, response):remaining = set(data.columns)remaining.remove(response)selected = []current_score, best_new_score = 0.0, 0.0while remaining and current_score == best_new_score:scores_with_candidates = []for candidate in remaining:formula = "{} ~ {} + 1".format(response,' + '.join(selected + [candidate]))score = smf.ols(formula, data).fit().rsquared_adjscores_with_candidates.append((score, candidate))scores_with_candidates.sort()best_new_score, best_candidate = scores_with_candidates.pop()if current_score < best_new_score:remaining.remove(best_candidate)selected.append(best_candidate)current_score = best_new_scoreformula = "{} ~ {} + 1".format(response,' + '.join(selected))model = smf.ols(formula, data).fit()return selected

XX=pd.concat([X[var_c_s+var_d_s],Y],axis = 1)final_var = forward_selected(XX,'TARGET_D')var_c_s = list(set(var_c_s)&set(final_var))
var_c_s

var_d_s = list(set(var_d_s)&set(final_var))
var_d_s

model_final = pd.concat([X[var_d_s + var_c_s],Y], axis = 1)
model_final.columns

7.建立线性回归模型

import statsmodels.api as sm
from statsmodels.formula.api import ols
X = model_final.iloc[:,:-1]
Y = model_final.iloc[:,-1]
formula = 'TARGET_D ~ ' + '+'.join(final_var)
donation_model = ols(formula,model_final).fit()
print(donation_model.summary())

model_final[final_var].corr()

用DemMedHomeValue做线性回归模型看一下结果

formula = 'TARGET_D ~ DemMedHomeValue'
model = ols(formula,model_final).fit()
print(model.summary())

看一下特征共线性

final_varN = ['GiftAvgAll','GiftAvgLast','GiftAvg36','GiftCntAll','GiftAvgCard36','GiftCntCard36','DemGender','PromCntCardAll','GiftCnt36']

formula = 'DemMedHomeValue ~ ' + '+'.join(final_varN)
model = ols(formula,model_final).fit()
print(model.summary())

formula = 'TARGET_D ~ ' + '+'.join(final_varN)
model = ols(formula,model_final).fit()
print(model.summary())

回归

1.读入数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt# ID TARGET_D 删除这两列
model_data=pd.read_csv("donations2.csv").drop(["ID","TARGET_D"],1)
model_data.head()

一个经验的做法，对特征去重，根据去重后的个数是否大于10，来判断特征是数值型还是离散型

比如，判断GiftCntAll这一列是数值型还是离散型

len(model_data['GiftCntAll'].drop_duplicates())     # 69，大于10，说明是数值型

model_data.dtypes
y = 'TARGET_B'
# 数值类型
var_c = ["GiftCnt36","GiftCntAll","GiftCntCard36","GiftCntCardAll","GiftTimeLast","GiftTimeFirst","PromCnt12","PromCnt36","PromCntAll","PromCntCard12","PromCntCard36","PromCntCardAll","StatusCatStarAll","DemAge","DemMedHomeValue","DemPctVeterans","DemMedIncome","GiftAvgLast","GiftAvg36","GiftAvgAll","GiftAvgCard36"]
# 类别类型
var_d = ['StatusCat96NK', 'DemHomeOwner', 'DemGender', 'DemCluster']
X = model_data[var_c + var_d].copy()
Y = model_data[y].copy()

2.特征筛选（卡方检验）

当Y和X都是离散型时，用卡方检验做特征筛选

以DemGender列为例

先看一下频数统计

model_data['DemGender'].value_counts()

看一下列联交叉表

# 非参数统计------------------列联交叉表
cross = pd.crosstab(model_data['TARGET_B'],model_data['DemGender'])
cross

用这个列联交叉表做这个特征的卡方检验

from scipy import stats
from pprint import pprint
pprint(stats.chi2_contingency(cross))   # 卡方值、概率P值、自由度

DemGender列的概率P值是大于0.05的，所以是需要删除的，它对结果没有影响

以StatusCat96NK列为例

频数统计

model_data['StatusCat96NK'].value_counts()

列联交叉

# 非参数统计------------------列联交叉表
cross = pd.crosstab(model_data['TARGET_B'],model_data['StatusCat96NK'])
cross

卡方检验

from scipy import stats
from pprint import pprint
pprint(stats.chi2_contingency(cross))   # 卡方值、概率P值、自由度

3.通过WOE、IV看一下特征筛选

底层实现

def CalcWOE(df, col, target):''':param df: 包含需要计算WOE的变量和目标变量:param col: 需要计算WOE、IV的变量，必须是分箱后的变量，或者不需要分箱的类别型变量，也就是离散型:param target: 目标变量，0、1表示好、坏:return: 返回WOE和IV'''total = df.groupby([col])[target].count()   # 对col列根据类别标签做一下分组统计，求的是每个col标签的样本总数total = pd.DataFrame({'total': total})      # 下面需要做表关联，转换成数据框bad = df.groupby([col])[target].sum()      # 每个col标签的坏样本总数(1的)bad = pd.DataFrame({'bad': bad})regroup = total.merge(bad, left_index=True, right_index=True, how='left')regroup.reset_index(level=0, inplace=True)   # 索引重置N = sum(regroup['total'])B = sum(regroup['bad'])regroup['good'] = regroup['total'] - regroup['bad']   # 好样本数G = N - Bregroup['bad_pcnt'] = regroup['bad'].map(lambda x: x*1.0/B)   # 坏样本率regroup['good_pcnt'] = regroup['good'].map(lambda x: x * 1.0 / G)   # 好样本率regroup['WOE'] = regroup.apply(lambda x: np.log(x.good_pcnt*1.0/x.bad_pcnt),axis = 1)WOE_dict = regroup[[col,'WOE']].set_index(col).to_dict(orient='index')for k, v in WOE_dict.items():WOE_dict[k] = v['WOE']IV = regroup.apply(lambda x: (x.good_pcnt-x.bad_pcnt)*np.log(x.good_pcnt*1.0/x.bad_pcnt),axis = 1)IV = sum(IV)return {"WOE": WOE_dict, 'IV':IV}

dic = CalcWOE(model_data, 'StatusCat96NK', 'TARGET_B')
dic['IV']
dic['WOE']

一般来说某个特征的IV值大于0.02,越大越好，越大说明特征越重要，可以理解随机森林的特征重要度等价

WOE入摸

model_data['StatusCat96NK_woe'] = model_data['StatusCat96NK'].map(dic['WOE'])
model_data[['StatusCat96NK_woe','StatusCat96NK']].head()

调包实现

from woe import WoE
iv_d = {}
for i in var_d:iv_d[i] = WoE(v_type='d').fit(X[i].copy(), Y.copy()).iv
iv_d

根据IV值筛选离散变量

from woe import WoE
iv_d = {}
for i in var_d:iv_d[i] = WoE(v_type='d').fit(X[i].copy(), Y.copy()).iv   # 参数是离散型 v_type=‘d’
iv_d

pd.Series(iv_d).sort_values(ascending = False)

var_d_s = ['StatusCat96NK', 'DemCluster']

根据IV值筛选连续型变量

iv_c = {}
for i in var_c:iv_c[i] = WoE(v_type='c',t_type='b',qnt_num=3).fit(X[i],Y).iv   # 参数是数值型 v_type=‘c’
sort_iv_c = pd.Series(iv_c).sort_values(ascending=False)
sort_iv_c

保留iv值大于0.02的

var_c_s = list(sort_iv_c[sort_iv_c > 0.02].index)
var_c_s

X = model_data[var_c_s + var_d_s].copy()
Y = model_data[y].copy()
X[var_c_s].describe().T

4.EDA探索性分析

就是描述性统计加可视化

（众数 - 中位数）/（分位数极差）

经验来看，一般这个值大于0.8，说明它有偏，画一下直方图看看

abs((X[var_c_s].mode().iloc[0,] - X[var_c_s].median()) /(X[var_c_s].quantile(0.75) - X[var_c_s].quantile(0.25)))

plt.hist(X["PromCntAll"], bins=20)

柱形图右面偏离是异常值

# 箱线图
# 上边缘的计算方法是 上四分位数+1.5倍极差
import seaborn as sns
sns.boxplot(X["PromCntAll"])

消除异常值

1.均值加减三倍标准差，盖帽法替换

prc_mean = X["PromCntAll"].mean()
prc_std = X["PromCntAll"].std()
high = prc_mean + 3*prc_std
low = prc_mean - 3*prc_std
def s(x):if x > high:return highelif x < low:return lowelse:return x

2.计算百分数

# 计算百分位数
p1 = X["PromCntAll"].quantile(0.01)
p99 = X["PromCntAll"].quantile(0.99)
print(p1)
print(p99)

用均值加减三倍标准差消除异常值

X["PromCntAll"] = X["PromCntAll"].map(s)
X["PromCntAll"].describe()

X["PromCntAll"][X["PromCntAll"] > low][X["PromCntAll"] < high].describe()

5.针对有问题的变量进行修改

1 - X.count()/ len(X)

X.isnull().sum()/len(X)

1 - (X.describe().T["count"]) / len(X)

X.describe().T

连续型变量修改

fill_GiftAvgCard36 = X.GiftAvgCard36.median()
X.GiftAvgCard36.fillna(value=fill_GiftAvgCard36, inplace=True)X.GiftAvgCard36.fillna(method='ffill', inplace=True)model_data[['DemCluster','TARGET_B']].head()

model_data[['DemCluster','TARGET_B']].groupby('DemCluster',as_index = False).agg(list).head()

离散型变量修改

# 统计每个水平的对应目标变量的均值，和每个水平数量DemCluster_grp = model_data[['DemCluster','TARGET_B']].groupby('DemCluster',as_index = False)DemC_C = DemCluster_grp['TARGET_B'].agg({'mean' : 'mean','count':'count'}).sort_values("mean")# 将这些类别尽量以人数大致均等的方式以响应率为序归结为10个大类
DemC_C["count_cumsum"] = DemC_C["count"].cumsum()
DemC_C["new_DemCluster"] = DemC_C["count_cumsum"].apply(lambda x: x//(len(model_data)/10)).astype(int)
DemC_C

X_rep = X.copy()
for i in var_d_s:X_rep[i+"_woe"] = WoE(v_type='d').fit_transform(X_rep[i],Y)
X_rep.head()

StatusCat96NK_woe = X_rep[["StatusCat96NK","StatusCat96NK_woe"]].drop_duplicates().set_index("StatusCat96NK").to_dict()
StatusCat96NK_woe

StatusCat96NK_woe = X_rep[["StatusCat96NK","StatusCat96NK_woe"]].drop_duplicates().set_index("StatusCat96NK").to_dict()
DemCluster_woe = X_rep[["DemCluster","DemCluster_woe"]].drop_duplicates().set_index("DemCluster").to_dict()
del X_rep["StatusCat96NK"]
del X_rep["DemCluster"]
X_rep.rename(columns={"StatusCat96NK_woe":"StatusCat96NK","DemCluster_woe":"DemCluster"},inplace=True)
X_rep

6.通过随机森林对变量的重要性进行筛选

import sklearn.ensemble as ensemble
rfc = ensemble.RandomForestClassifier(criterion='entropy', n_estimators=3, max_features=0.5, min_samples_split=5)
rfc_model = rfc.fit(X_rep, Y)
rfc_model.feature_importances_
rfc_fi = pd.DataFrame()
rfc_fi["features"] = list(X.columns)
rfc_fi["importance"] = list(rfc_model.feature_importances_)
rfc_fi=rfc_fi.set_index("features",drop=True)
var_sort = rfc_fi.sort_values(by="importance",ascending=False)
var_sort.plot(kind="bar")

7.变量聚类

每一类选一个具有代表性的

权重向量稀疏解的一个计算

from VarSelec import Var_Select,Var_Select_auto
X_rep_reduc = Var_Select_auto(X_rep)
X_rep_reduc.head()

list(X_rep_reduc.columns)

8.逻辑回归建模

import sklearn.model_selection as model_selection
ml_data = model_selection.train_test_split(X_rep_reduc, Y, test_size=0.3, random_state=0)
train_data, test_data, train_target, test_target = ml_data
from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
train_data = min_max_scaler.fit_transform(train_data)
test_data = min_max_scaler.fit_transform(test_data)
train_data

import sklearn.linear_model as linear_model
logistic_model = linear_model.LogisticRegression(class_weight = None,dual = False,fit_intercept = True,intercept_scaling = 1,penalty = 'l2',random_state = None,tol = 0.001)

from sklearn.model_selection import ParameterGrid, GridSearchCV
C = np.logspace(-3,0,20,base=10)
param_grid = {'C': C}
clf_cv = GridSearchCV(estimator=logistic_model, param_grid=param_grid, cv=5, scoring='roc_auc')
clf_cv.fit(train_data, train_target)

import statsmodels.api as sm
import statsmodels.formula.api as smf
model=X_rep_reduc.join(train_target)
formula = "TARGET_B ~ " + "+".join(X_rep_reduc)
lg_m = smf.glm(formula=formula, data=model, family=sm.families.Binomial(sm.families.links.logit)).fit()
lg_m.summary()

9.ROC曲线

test_est = logistic_model.predict(test_data)
train_est = logistic_model.predict(train_data)
test_est_p = logistic_model.predict_proba(test_data)[:,1]
train_est_p = logistic_model.predict_proba(train_data)[:,1]
import sklearn.metrics as metrics
fpr_test, tpr_test, th_test = metrics.roc_curve(test_target, test_est_p)
fpr_train, tpr_train, th_train = metrics.roc_curve(train_target, train_est_p)
plt.figure(figsize=[6,6])
plt.plot(fpr_test, tpr_test)
plt.plot(fpr_train, tpr_train)
plt.title('ROC curve')
print('AUC = %6.4f' %metrics.auc(fpr_test, tpr_test))

数据挖掘---营销推广预测响应相关推荐

中国筋膜枪行业销售状况及营销前景预测报告（2022-2027年版）
中国筋膜枪行业销售状况及营销前景预测报告(2022-2027年版) ******************************************* [报告编号]: BG418168 [出版时间 ...
《淘宝店铺营销推广一册通》一2.2　选择店铺行业
本节书摘来异步社区<淘宝店铺营销推广一册通>一书中的第2章,作者: 葛存山责编: 赵轩, 更多章节内容可以访问云栖社区"异步社区"公众号查看. 2.2 选择店铺行业 ...
如何做好企业网络营销推广？从本质上去理解互联网开始！
原文地址:https://www.luohaibin.com/wangluotuiguang/92.html 作者:网络营销策划-骆海滨网络营销推广方案策划_骆海滨最近一直围绕着传统企业互联网化的话 ...
盘点移动广告联盟排名丨掌握移动营销推广新走向
在这个营销为王的互联网时代,各大企业都想通过互联网取得更好的发展,不仅要努力提高自身的核心竞争力,还要借助各大移动广告平台来推广自己,吸引更多的用户,从而打开市场,赢得商机.其实,想要找到更加专业的移 ...
跨境人必须了解：7种跨境电商营销推广理念
你是否正在寻找新的方式来推广你的电商业务?如果是这样的话,你可以阅读我为你列出的7种电子商务促销理念,并使用这些理念来在线宣传你的产品和线上商店: 1. 关注客户体验第一个电商促销策略首先是关注客户 ...
网络营销推广怎么做自媒体如何让商品消失不见
网络营销推广怎么做如今的商业经济是变化莫测的社会,各式商品琳琅满目,目不暇接,由于商品的繁多,带给了用户多种选择.多种渠道.对于企业来说,营销与产品设计有着密切相关的联系.近几年由于自媒体产业的兴起 ...
中国吸尘器市场竞争格局及营销前景预测报告（新版）2022-2027年
中国吸尘器市场竞争格局及营销前景预测报告(新版)2022-2027年 [报告编号]: BG417887 [出版时间]: 2022年2月 [出版机构]: 中智正业研究院内容简介: 第一章吸尘器行业相 ...
【云服务架构】阿里云ECS+RDS+OSS+SLB全域旅游营销推广解决方案
全域旅游营销推广智慧旅游通过旅游数据分析,挖掘旅游热点和游客兴趣点,引导旅游企业策划对应的旅游产品,制定对应的营销主题,从而推动旅游行业的产品创新和营销创新功能特点全面性海量互联网行为数据分析 ...
强大的ChatGpt为企业营销推广提供了全方位的加持
chatgpt,一个火出圈的"聊天机器人".从写作文,到写代码,似乎没有什么是它干不了的. ChatGpt在工业中的应用场景有哪些? 在工业领域,它可以用于提高生产效率,缩短生产周 ...