Py数据基础及实战5

打造基于产教融合的就业育人综合服务平台打造基于产教融合的就业育人综合服务平台第6章商超客户价值分析教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时（理论3学时，实验5学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以商超客户价值分析为案例，讲解数据挖掘在客户关系管理中的完整应用流程。涵盖案例背景与目标分析、数据探索与预处理、RFMPI指标构建与K-Means模型构建、客户分群与结果对比分析。使学生掌握从业务问题出发，通过数据预处理、特征工程、聚类建模到结果解读与策略制订的全流程实战能力。基本要求了解案例的背景、数据说明与目标。掌握商超客户数据的预处理方法。掌握商超客户数据的可视化分析方法。掌握客户数据相关性分析的实现方法与热力图解读技巧。掌握商超客户分群结果的特征分析方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题、理解并掌握知识、发展各种能力和提高思想觉悟。RFM模型中的R、F、M分别代表什么含义？为什么它们能反映客户价值？案例中为什么要对RFM模型进行改进，加入P和I两个维度？数据探索阶段的可视化分析主要从哪些角度展开？各自发现了什么特征？肘方法是如何确定最佳聚类数的？其原理是什么？客户分群完成后，如何利用雷达图和箱线图对不同客户群体的特征进行对比分析？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。在相关性分析中，属性构造的依据是什么？案例中是如何利用相关性热力图来指导属性构造的？K-Means聚类结果中，雷达图如何帮助我们区分高价值客户和低价值客户群体？如果要在本案例的基础上进一步优化客户价值分析模型，可以从哪些方面入手？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。除了K-Means聚类，还有哪些聚类算法可以应用于客户分群？它们各自有什么优缺点？在实际商超业务中，客户价值分析的结果如何落地为具体的营销策略？请结合案例中的4类客户群体提出建议。请调研另一个行业的客户价值分析案例，比较其与本案例在指标选取和建模方法上的异同。主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与预处理的方法。指标选取与模型构建的方法。客户分群与结果分析的方法。重点数据探索与预处理的方法。指标选取与模型构建的方法。客户分群与结果分析的方法。难点指标选取与模型构建的方法。客户分群与结果分析的方法。教学过程设计理论教学过程背景与目标。数据探索与预处理。分析与建模。结果分析。实验教学过程使用K-Means算法实现运营商客户价值分析。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏剑林