# 資管新生專題 電子商務

## 數據集

### 會員數據
* UnifiedUserId
* MemberId
* RegisterSourceTypeDef
* RegisterDateTime
* Gender
* Birthday
* APPRefereeId
* APPRefereeLocationId
* IsAppInstalled
* IsEnableEmail
* IsEnablePushNotification
* IsEnableShortMessage
* FirstAppOpenDateTime
* LastAppOpenDateTime
* MemberCardLevel
* CountryAliasCode

## 主單資料
* UnifiedUserId
* MemberId
* TradesGroupCode
* OrderDateTime
* ChannelType
* ChannelDetail
* PaymentType
* ShippingType
* TsCount
* Qty
* TotalSalesAmount
* TotalPrice
* TotalDiscount
* TotalPromotionDiscount
* TotalCouponDiscount
* TotalLoyaltyPointDiscount
* StatusDef

## 行為資料
* MemberId
* Media
* HitDateTime

# 會員分群
- 依據基本與進階資料分族群

**基本**
- Gender 性別：主要
- Age 年齡層 以5歲為單位

**進階：**
- RegisterDateTime 成為會員的時間長短
- IsAppInstalled 是否有下載App
- Enable? 是否有開啟通知/信件
- LastAppOpenDateTime 前一次開啟的時間(近期是否活躍)
- MemberCardLevel 會員等級

## 消費行為

#註 地區別先以TW為分析對象

### 消費頻率
**Mapping**
- UnifiedUserId
- MemberId
- 使用Regression

**原因**
- Gender
- Birthday (Age)
- RegisterDateTime
- MemberCardLevel
- LastAppOpenDateTime
- Enabled?
- TotalPromotionDiscount
- TotalCouponDiscount
- Purchase with Discount/Total Purchase

**結果**
- LastAppOpenDateTime
- OrderDateTime
- 近期購買次數 (OrderDateTime / time period)

**預期**
- 探討增加消費次數的原因
- 可能是會員優惠(是否導果為因?)
- 購買時有優惠可使用也有可能增加頻率
- 找出有效增加消費頻率的方法

## 單筆金額
**回歸分析：預測金額**
- 找出幾項相關性高的因素，進行訓練
- 透過給定因素，預測最終金額
- Scikit learn 中 Linear Regression 或 Polynominal Regression

**Mapping**
* UnifiedUserId
* MemberId
* TradesGroupCode

**原因**
- 消費族群
- Qty (數量必然與金額成正比)
- TsCount
- OrderDateTime
- TotalPromotionDiscount
- TotalCouponDiscount
- TotalLoyaltyPointDiscount
- StatisDef -> Return
- ChannelDetail
- PaymentType
- ShippingType

**結果：監督式訓練所需**
- TotalPrice (去除折扣) 預測實際購買商品價值
- TotalSalesAmount 預測實際願意花費價格

**預期**
- 主要想了解**優惠**與總金額的差異
- 可以退貨 是否會讓消費者多購買 (?)
- 時間(生日的月份)是否是有效的促銷 (?)
- **性別**、**年齡**、**會員等級** (mapping)
- 希望能了解**通路✓**、**貨運方法✓**及**付款方法✓**的影響
- 也可以了解可提高消費金額的方法
- **時間✓**、**星期幾✓**、**日期✓**、**月份✓**
- **Andriod、iOS、Web ✓**
- **QTY**

**Tableau**
- **付款方式**：
\*註：Google Pay, Easy Wallet 因使用次數少先不討論

Aftee->與91App有緊密合作(優惠)
Credit Card->分期付款 > 一次付清
行動支付 -> ApplePay > JKO Pay > Line Pay (金融卡 小額匯兌)
超商支付 不一定使用信用卡 可使用現金 -> 金額較小
線下通路 最低
- 運貨方式
關聯界不顯著 可先不採用
海外特別高、宅配(貨物量多) 略大於 超商取貨 > 超商取貨付款 (同上)

- 通路
iOS >= Android > mobile > desktop > 線下

- 月份
11月

- 日期 - 沒什麼關係 除了11日

- 星期幾

- 時間(哪一小時)

## 訂單狀態
- 多元分類：取消、退貨、完成訂單、其他
- SVC, NuSVC,LinearSVC 中的 Multi-class classification
- Nearest Neighbors Classification

**原因**
* TotalSalesAmount
* RegisterDateTime
* Age
* Gender
* MemberCardLevel
* ChannelDetail
* Qty
* TotalDiscount

**結果**
- StatusDef (Cancel, Return, Finish)

**預期**
- 探討是否有些通路容易引起取消(操作不易)
- 新用戶是否容易誤植訂單
- 折扣是否會造成購買過多而退貨
- 超出預期的數量是否會造成退貨
- 較不易退貨/取消的價格範圍

## 是否購買
- 二元分類：購買 vs 不購買
- SVC, NuSVC,LinearSVC
**原因**
- Media
- Age
- Gender
- MemberCardLevel
- APPRefereeId
- Enabled

**結果**
- HitDateTime
- OrderDateTime
- 在HitDateTime後是否有Order

**預期**
- 尋找進行購買的原因
- 進入網站時，不同族群的購買意願
- 會員是否較常瀏覽而不購買
- HitDateTime - OrderDateTime 時間小的人是否有特別的行為(已經找到目標，與退貨/消費金額的關聯)

## 流量
**目標**
- Media
- HitDateTime

**預期**
- 探討這兩者對於各項數據的影響
- 目前無法將其歸類於某種消費行為中
- 利用Regression找出可能相關的行為

Random Forest
Accuracy:
Training Data: ~93.14
Testing Data: ~82.07

['ChannelDetail' 'PaymentType' 'ShippingType' 'TsCount' 'Qty'
'TotalSalesAmount' 'TotalPrice' 'TotalDiscount' 'TotalPromotionDiscount'
'TotalCouponDiscount' 'TotalLoyaltyPointDiscount' 'StatusDef' 'Weekday'
'Hour']
[0.04525247 0.02140641 0.01832341 0.01034805 0.09940372 0.19591368
0.22325462 0.04957432 0.0290761 0.02830609 0. 0.08789419
0.19124695]