电商平台商家电商运营数据建模指导书

电商平台商家电商运营数据建模指导书第一章数据采集与整合策略1.1多源数据对接与清洗规范1.2数据质量控制与验证机制第二章用户行为分析模型构建2.1点击率与转化率指标解析2.2用户画像构建方法第三章商品运营数据分析框架3.1商品销量预测模型3.2库存周转率优化策略第四章营销活动效果评估体系4.1ROI计算与优化模型4.2营销活动数据分析方法第五章商家运营指标监控与预警5.1关键运营指标仪表盘设计5.2异常数据识别与处理机制第六章数据可视化与报告生成6.1数据可视化工具选择6.2报告模板与呈现规范第七章数据安全与合规管理7.1数据加密与访问控制7.2数据合规性审查流程第八章数据模型持续优化与迭代8.1模型功能评估与调优8.2模型版本控制与更新机制第一章数据采集与整合策略1.1多源数据对接与清洗规范电商平台商家在运营过程中，数据来源广泛且多元，包括但不限于用户行为数据、交易数据、商品信息、营销活动数据、供应链数据等。为保证数据的完整性与准确性，需建立统一的数据采集标准和接口规范。数据对接应遵循以下原则：数据标准化：所有数据需按照统一的数据格式进行存储与传输，保证数据结构适配性。数据一致性：数据采集过程中应建立数据校验机制，保证不同来源的数据在内容、维度、时间等维度上保持一致。数据去重与重复处理：对于重复或冗余的数据，需通过数据清洗工具进行去重处理，避免数据冗余影响分析效果。数据权限管理：根据数据敏感性及业务需求，制定数据访问权限控制机制，保证数据安全与合规性。数据对接与清洗的实施应结合具体业务场景，采用数据清洗工具如ApacheNifi、Pandas、Spark等进行自动化处理。清洗过程中需重点关注以下指标：完整性：数据字段是否完整，缺失值是否处理。准确性：数据内容是否正确，是否存在错误或异常值。一致性：数据在不同来源中的含义是否一致，是否存在歧义。时效性：数据采集时间是否符合业务需求，是否具备时效性。1.2数据质量控制与验证机制数据质量是电商运营数据建模的基础，需建立完善的质量控制与验证机制，保证数据的可靠性与可用性。数据质量控制应从数据采集、存储、处理、分析等各个环节进行。1.2.1数据质量评估指标数据质量评估应从以下几个维度进行：完整性（Completeness）：数据字段是否完整，是否缺失关键信息。准确性（Accuracy）：数据内容是否正确，是否存在错误或异常值。一致性（Consistency）：数据在不同来源或系统中是否保持一致。时效性（Timeliness）：数据是否及时更新，是否符合业务需求。唯一性（Uniqueness）：数据是否存在重复记录，是否具备唯一标识。1.2.2数据质量控制流程数据质量控制流程应包括以下几个步骤：（1）数据采集验证：在数据采集阶段，对数据源进行初步检查，保证数据符合预期。（2）数据存储检查：在数据存储阶段，对数据结构、存储格式、存储路径等进行检查，保证数据可读性和可处理性。（3）数据处理验证：在数据处理阶段，对数据清洗、转换、归一化等操作进行验证，保证数据质量达标。（4）数据分析验证：在数据分析阶段，对分析结果进行验证，保证分析结论与数据内容一致。（5）数据反馈机制：建立数据质量反馈机制，对数据质量问题进行跟踪与改进。1.2.3数据质量控制工具数据质量控制可借助以下工具进行实施：数据质量监控平台：如德勤的DataQualityManagement（DQM）等，用于实时监控数据质量。数据质量评估工具：如IBMInfoSphereDataQuality，用于评估数据质量指标。数据质量预警系统：用于实时预警数据质量问题，便于及时处理。1.2.4数据质量控制与验证的数学模型为了量化评估数据质量，可引入以下数学模型：Q其中：$Q$：数据质量评分（0-5分）。$I$：完整性评分（0-1）。$A$：准确性评分（0-1）。$C$：一致性评分（0-1）。$T$：时效性评分（0-1）。$U$：唯一性评分（0-1）。该模型可作为数据质量评估的参考依据，便于制定数据质量控制策略。1.2.5数据质量控制与验证的表格数据质量维度评分标准说明完整性数据字段是否完整数据字段是否缺失关键信息准确性数据内容是否正确数据内容是否存在错误或异常值一致性数据在不同来源中是否一致数据在不同来源中的含义是否一致时效性数据是否及时更新数据是否满足业务需求唯一性数据是否存在重复记录数据是否存在重复记录通过该表格，可对数据质量进行清晰的评估与管理。第二章用户行为分析模型构建2.1点击率与转化率指标解析在电商运营中，用户行为分析是优化商品推荐、页面布局和营销策略的重要依据。点击率（CTR,Click-ThroughRate）和转化率（CTR,ConversionRate）是衡量用户兴趣与购买意愿的关键指标。CTR表示用户点击广告或商品的比例，其计算公式为：C转化率则表示用户从点击到完成购买的转化比例，其计算公式为：转在实际应用中，CTR和转化率的提升与商品吸引力、页面设计、营销策略密切相关。例如通过A/B测试可对比不同商品页面的点击率差异，从而优化展示内容。同时转化率的提升需要结合用户画像分析，知晓用户在不同时间段、不同设备上的行为特征。2.2用户画像构建方法用户画像（UserPersona）是基于历史数据和行为分析构建的用户特征模型，用于描述目标用户的基本属性、行为习惯和消费偏好。构建用户画像的方法主要包括以下几个步骤：（1）数据采集：通过用户浏览、点击、加购、购买等行为数据，收集用户的特征信息，包括但不限于：基础信息：年龄、性别、地域、职业行为数据：浏览时长、点击率、加购率、购买频次偏好数据：商品类别、价格区间、搜索关键词（2）特征提取：对采集的数据进行清洗和归一化处理，识别出关键特征，如：高频浏览商品类别价格敏感度消费周期（3）模型构建：利用聚类算法（如K-means）或机器学习模型（如随机森林、逻辑回归）对用户进行分群，建立用户画像标签体系。（4）画像应用：将用户画像应用于个性化推荐、精准营销、商品推荐等场景，和转化率。用户画像的构建需结合实时数据与历史数据，保证模型的动态性和准确性。例如通过用户行为时间序列分析，可动态调整用户画像标签，以适应用户行为变化。同时用户画像的更新频率应与业务节奏保持一致，保证画像的时效性与实用性。2.3用户行为分析模型构建用户行为分析模型包括以下组成部分：数据采集层：通过埋点、日志采集等方式获取用户行为数据。数据处理层：清洗、归一化、特征提取。建模层：利用机器学习或统计方法构建预测模型。应用层：模型部署与结果应用。模型构建可采用以下方式：分类模型：如逻辑回归、随机森林，用于预测用户是否购买或是否关注某商品。聚类模型：如K-means、DBSCAN，用于用户分群，识别高价值用户群体。时间序列模型：如ARIMA、LSTM，用于预测用户行为趋势，支持营销策略优化。例如基于用户行为时间序列的LSTM模型可预测用户未来一周的购买概率，为库存管理与营销资源分配提供支持。2.4用户行为分析模型评估与优化用户行为分析模型的评估需从以下几个方面进行：准确率：模型预测结果与实际结果的匹配程度。召回率：模型识别出的用户行为是否准确。F1分数：衡量模型在分类任务上的综合功能。AUC值：用于评估分类模型的区分能力。模型优化可通过以下方式实现：特征工程：引入更多相关特征，提升模型表现。正则化技术：防止过拟合，提升模型泛化能力。模型迭代：不断优化模型参数，提升预测精度。例如通过引入用户历史购买频率作为特征，模型可更准确地预测用户是否会在未来购买某类商品。2.5用户行为分析模型的可视化与监控用户行为分析模型的可视化主要用于展示模型预测结果及用户行为变化趋势。常见的可视化方式包括：用户行为热力图：展示用户在不同时间段的活跃度。用户画像雷达图：展示用户在多个维度上的特征分布。预测趋势图：展示用户行为趋势变化。模型监控则需设置阈值，定期评估模型功能，并根据数据变化及时调整模型参数。2.6用户行为分析模型的实践应用用户行为分析模型在电商运营中的实践应用主要包括：个性化推荐：基于用户画像和行为数据，推荐符合用户偏好的商品。营销策略优化：通过用户行为预测，优化促销时间、商品搭配及投放资源。库存管理：通过用户行为预测，优化库存周转率与缺货预警。用户体验提升：通过行为分析，优化页面布局、商品展示与交互流程。例如通过用户点击率分析，可优化商品推荐顺序，提高用户点击率和转化率。同时通过用户画像，可精准投放营销活动，提升转化效果。2.7用户行为分析模型的持续改进用户行为分析模型的持续改进需关注以下方面：数据质量：保证数据采集的准确性和完整性。模型更新：定期更新模型参数，适应用户行为变化。业务反馈：结合业务部门反馈，优化模型应用效果。技术优化：提升模型计算效率，支持实时分析与预测。通过持续改进，用户行为分析模型可不断优化，提升电商运营效率与用户满意度。第三章商品运营数据分析框架3.1商品销量预测模型商品销量预测模型是电商平台商家在商品运营中不可或缺的分析工具，其核心目标是基于历史销售数据、市场趋势、促销活动等多维度信息，对未来一定时间段内的商品销量进行合理估计，为库存管理、供应链优化、营销策略制定提供数据支撑。在构建商品销量预测模型时，采用以下方法：y其中：y表示预测的销量；β0β1到βnx1到xnϵ是误差项。根据实际业务场景，常见的销量预测模型包括：时间序列模型：如ARIMA、SARIMA，适用于具有明显季节性特征的商品；回归模型：如线性回归、逻辑回归，适用于销量受多种因素影响较大的情况；机器学习模型：如随机森林、XGBoost，适用于复杂非线性关系的预测。在实际应用中，商家应结合自身数据特征选择合适的模型，并通过交叉验证、A/B测试等方式评估模型的准确性与稳定性。3.2库存周转率优化策略库存周转率是衡量电商平台商家库存管理效率的重要指标，其计算公式库存周转率库存周转率越高，说明商品的销售速度越快，库存积压风险越低。优化库存周转率的关键在于减少库存积压、提高销售效率、优化供应链响应速度。库存周转率优化策略包括：（1）动态库存管理：根据销售趋势和促销活动动态调整库存水平，避免缺货或积压。（2）精准需求预测：通过销量预测模型精准预测未来需求，优化库存配置。（3）促销活动优化：结合销售数据和市场反馈，制定精准的促销策略，提升销量，降低库存压力。（4）供应商协同管理：与供应商建立良好的合作关系，实现库存的高效流转和协同优化。（5）库存周转率指标监控：建立实时监控机制，定期分析库存周转率变化，及时调整策略。库存周转率优化建议表：库存周转率目标优化策略1.5次/月优化销售预测模型，提高预测准确性2.0次/月实施动态库存管理，灵活调整库存水平2.5次/月推行促销活动，提升销量，降低库存压力3.0次/月加强供应链协同管理，提高库存流转效率第四章营销活动效果评估体系4.1ROI计算与优化模型在电商平台商家运营中，ReturnonInvestment（ROI）是衡量营销活动成效的核心指标之一。ROI的计算公式为：R其中，净利润为营销活动带来的实际收益减去营销成本，而营销成本包括广告投放费用、平台服务费、人工成本等。为了实现营销活动的持续优化，需建立动态的ROI计算模型，结合历史数据与实时反馈进行迭代调整。在实际操作中，商家可通过以下步骤进行ROI优化：（1）设定ROI目标：根据业务目标与竞争环境，设定合理的ROI阈值。（2）实时监控数据：通过数据分析工具定期采集营销活动的转化率、点击率、加购率等关键指标。（3）动态调整策略：根据实时数据反馈，调整营销预算分配、推广渠道选择、商品组合等策略。（4）模型迭代更新：利用机器学习算法对ROI模型进行持续优化，提升预测精度与决策效率。4.2营销活动数据分析方法营销活动数据的分析需结合定量与定性分析方法，以全面评估营销效果。以下为常用数据分析方法：4.2.1数据清洗与预处理在进行营销活动数据分析之前，需对原始数据进行清洗与预处理，保证数据准确性和一致性。主要包括：数据去重：去除重复记录，避免数据冗余。缺失值处理：对缺失数据进行填补或删除，保证数据完整性。异常值检测：识别并修正异常数据，避免其对分析结果造成偏差。4.2.2关键指标分析在营销活动中，需关注以下关键指标：指标含义分析方法转化率活动参与用户中完成购买的用户比例通过用户行为数据计算点击率活动页面点击次数与总展示次数的比值通过点击次数与展示次数计算加购率活动期间加购商品的数量与总商品数量的比值通过加购数量与商品总数计算退货率活动期间退货商品数量与总售出商品数量的比值通过退货数量与售出数量计算4.2.3数据对比分析通过对比不同营销活动的功能，评估其效果。例如：活动名称转化率点击率加购率退货率活动A12%8%5%2%活动B15%10%7%3%根据对比结果，可判断活动A的转化效果优于活动B，建议优先推广活动A。4.2.4模型构建与预测为了进一步优化营销策略，可构建预测模型，预测未来营销活动的转化率与ROI。常用模型包括：线性回归模型：用于分析营销费用与转化率之间的关系。决策树模型：用于分类不同营销策略的优劣。时间序列模型：用于预测未来营销活动的绩效表现。4.3ROI计算与优化模型的实施建议为保证ROI计算与优化模型的有效性，建议商家在实际操作中遵循以下原则：数据驱动决策：所有营销活动的策略调整均应基于数据分析结果，避免主观臆断。定期回顾与优化：每完成一个营销活动，需进行回顾分析，总结成功经验与不足之处，并进行模型优化。多维度评估：不仅关注直接的ROI指标，还需评估间接效益，如品牌曝光度、用户留存率等。通过上述方法，商家可构建科学、系统的营销活动效果评估体系，提升电商运营的效率与盈利能力。第五章商家运营指标监控与预警5.1关键运营指标仪表盘设计电商平台商家运营数据建模中，关键运营指标仪表盘是实现数据可视化与实时监控的核心工具。仪表盘设计需遵循数据驱动原则，保证数据的全面性、及时性和可读性。5.1.1数据采集与整合仪表盘数据来源主要包括交易数据、用户行为数据、营销活动数据及库存数据等。数据需通过统一的数据采集系统进行整合，保证数据的完整性与一致性。通过数据清洗与标准化处理，消除噪音数据，提升数据质量。5.1.2数据可视化设计原则仪表盘设计应遵循以下原则：信息层级清晰：通过图表、数字卡片、进度条等形式，实现数据的层次化展示。交互友好：支持数据的实时更新与动态筛选，提升用户操作体验。可视化效果美观：采用现代数据可视化技术，保证信息传达的清晰与直观。5.1.3指标体系构建关键运营指标体系应包含以下主要指标：核心交易指标：订单数量、订单金额、转化率、复购率等。用户行为指标：点击率、转化路径分析、用户停留时长等。营销效果指标：ROI、点击率、转化率、成本效益比等。库存与物流指标：库存周转率、缺货率、物流时效等。公式：转化率解释：转化率反映用户访问网站后完成购买的比例，是衡量电商运营效果的重要指标。5.1.4数据展示形式仪表盘可采用以下几种数据展示形式：柱状图：展示不同时间段或不同类别的数据对比。折线图：展示数据随时间的变化趋势。饼图：展示数据在整体中的占比分布。热力图：展示用户行为热点区域。5.2异常数据识别与处理机制电商平台商家运营过程中，异常数据可能影响运营决策与模型准确性。因此，建立异常数据识别与处理机制。5.2.1异常数据识别方法异常数据识别主要通过以下方法实现：统计方法：如Z-score、IQR（四分位距）等，识别数据偏离均值或中位数的异常值。机器学习方法：利用分类模型（如SVM、随机森林）识别异常数据点。聚类分析：通过K-means、DBSCAN等算法识别数据集中的异常点。5.2.2异常数据处理机制异常数据处理应遵循以下步骤：（1）数据收集：获取异常数据样本。（2）数据清洗：去除无效数据，修正错误数据。（3）数据归一化：对异常数据进行标准化处理，消除量纲差异。（4）数据修正：根据业务逻辑修正异常值，或将其标记为异常数据。（5）数据反馈：将处理后的数据用于模型训练或分析。5.2.3异常数据处理案例案例：某电商平台在促销期间出现大量异常订单，订单金额异常高，订单来源地异常。处理过程：识别：使用Z-score方法识别高值订单。处理：修正异常订单来源地，减少异常值对模型的影响。反馈：将修正后的数据用于模型训练，提升模型鲁棒性。5.2.4异常数据监控与预警建立异常数据监控系统，实时监测数据变化，及时预警异常数据出现。系统应具备以下功能：实时监控：对关键指标进行实时监控。预警机制：当指标偏离正常范围时，自动触发预警。异常数据日志：记录异常数据的出现时间、类型、影响等信息。5.3数据建模与模型优化在关键运营指标仪表盘与异常数据处理机制的基础上，构建数据建模体系，提升运营效率与决策准确性。5.3.1指标建模关键运营指标可构建预测模型，用于预测未来趋势、优化运营策略。公式：预测值解释：预测值反映未来一段时间内的运营指标趋势，帮助商家制定合理的运营策略。5.3.2模型优化方法模型优化可通过以下方法实现：模型迭代：不断优化模型参数，提升预测精度。模型验证：通过交叉验证（Cross-validation）评估模型效果。模型部署：将优化后的模型部署到实际系统中，实现动态预测与决策。5.4指标体系与预警系统集成关键运营指标仪表盘与异常数据识别机制需与预警系统集成，实现数据驱动的实时决策。5.4.1预警系统功能预警系统应具备以下功能：实时警报：当指标异常时，触发警报通知。自动处理：根据预设规则，自动触发数据修正或策略调整。报告生成：生成异常数据报告，供管理层决策参考。5.4.2预警系统配置建议预警系统配置建议包括：预警指标预警阈值处理方式转化率低于80%启动优化策略订单金额超过100%提示异常订单用户流失率超过15%优化用户获取策略5.5指标体系与预警系统的实际应用在实际运营中，关键运营指标仪表盘与预警系统需结合业务场景，灵活应用。5.5.1应用案例案例：某电商平台在节假日促销期间，通过仪表盘监控转化率、订单金额等指标，及时调整营销策略，提升促销效果。结果：促销期间转化率提升12%，订单金额增长20%，用户留存率提高8%。5.5.2指标体系优化建议建议定期对指标体系进行优化，根据业务变化调整指标权重，保证指标体系的动态适应性。5.6安全与合规性在数据建模与预警系统中，需保证数据安全与合规性，遵循数据保护法规。5.6.1数据安全措施加密存储：数据存储使用加密技术，防止数据泄露。访问控制：限制数据访问权限，保证数据仅用于授权用途。定期审计：定期进行数据安全审计，保证系统运行合规。5.6.2合规性要求数据隐私保护：遵循GDPR、CCPA等数据隐私法规。数据使用规范：保证数据使用符合行业标准与公司政策。第六章数据可视化与报告生成6.1数据可视化工具选择数据可视化是电商平台商家电商运营数据建模中不可或缺的环节，其核心目标是通过直观的方式展现数据之间的关系与趋势，从而辅助决策者快速获取关键洞察。在选择数据可视化工具时，应综合考虑数据的复杂度、受众的背景、展示目的以及技术实现的可行性。电商平台商家涉及大量的用户行为数据、交易数据、商品数据及营销数据等，这些数据的维度多样、结构复杂，对可视化工具的功能、可扩展性和交互性提出了较高要求。主流的数据可视化工具包括Tableau、PowerBI、Python的Matplotlib与Seaborn、R语言的ggplot2，以及开源工具如D3.js等。在实际应用中，应根据具体需求选择合适的工具。例如若需进行交互式仪表盘开发，Tableau或PowerBI更为合适；若需进行数据统计分析与图表生成，Matplotlib与Seaborn则更具优势。另外，考虑到数据量的大小与实时性要求，应优先选择支持大数据处理与实时更新的工具，如Tableau的实时数据连接功能或PowerBI的PowerQuery技术。在数据可视化过程中，需注意以下几点：数据标准化：保证数据格式统一，便于处理与分析；图表类型选择：根据数据类型（如时间序列、分类数据、地理数据等）选择合适的图表类型，避免信息丢失或误导；功能优化：对大规模数据进行分页展示或使用懒加载技术，；交互设计：合理设计用户交互功能，如筛选、排序、钻取等，提升数据摸索效率。公式示例：若需对用户活跃度进行可视化分析，可使用以下公式计算用户活跃率：用户活跃率该公式用于衡量某一时间段内用户活跃程度，可作为数据可视化中的核心指标。6.2报告模板与呈现规范在电商平台商家电商运营数据建模中，报告的构建需遵循统一的模板与规范，以保证信息的清晰传达与数据的可追溯性。报告模板应涵盖数据来源、分析方法、关键指标、趋势分析、风险预警等内容，同时需遵循一定的格式规范。报告模板一般包括以下几个部分：（1）封面页：包含标题、报告编号、日期、报告人信息等。（2）目录：列出报告的章节与子章节，便于查阅。（3）数据来源说明：明确数据的采集方式、数据源、数据更新频率等。（4）分析方法说明：简述用于分析的数据模型、统计方法及建模工具。（5）核心指标展示：通过图表、表格等形式直观展示关键运营指标，如销售额、转化率、用户增长、库存周转率等。（6）趋势分析：通过时间序列分析、对比分析等方式，展示数据的变化趋势。（7）风险预警：对数据中发觉的异常值、趋势性问题进行预警和分析。（8）结论与建议：基于数据分析结果，提出可行的运营优化建议。在报告呈现过程中，应遵循以下规范：图表规范：图表需有清晰的标题、坐标轴标签、数据注释，避免误导读者。数据一致性：所有数据需保持一致的单位与尺度，避免数据对比失真。呈现格式：报告文本应简洁明了，避免使用过于专业的术语，保证读者易于理解。版本管理：报告需有版本控制，保证数据的可追溯性与更新的准确性。表格示例：报告维度数据来源数据更新频率数据范围数据单位用户活跃度用户行为日志每日2023年1月-2024年人/天转化率交易数据每日2023年1月-2024年%退货率退货记录每日2023年1月-2024年%库存周转率库存数据每日2023年1月-2024年次/天第七章数据安全与合规管理7.1数据加密与访问控制数据加密是保障电商平台商家数据安全的核心手段之一，通过加密算法对敏感信息进行保护，防止数据在传输与存储过程中被非法访问或篡改。加密技术主要包括对称加密与非对称加密两种方式，其中对称加密在数据量较大时具有较高的效率，非对称加密则适用于密钥管理与身份验证场景。在访问控制方面，需建立基于角色的访问控制（RBAC）机制，保证授权用户才能访问特定数据。通过设置权限层级与访问权限，实现对数据的细粒度管理。同时应采用多因素认证（MFA）机制，提升用户身份验证的安全性，防止未授权访问。公式E其中：$E$表示加密函数；$K$表示密钥；$M$表示明文数据；$C$表示加密后的密文。加密算法推荐使用AES-256，其密钥长度为256位，具有较强的抗攻击能力。在实际部署中，需结合业务需求选择合适的加密算法，并定期更新密钥，防止密钥泄露。7.2数据合规性审查流程数据合规性审查是保证电商平台商家数据处理符合相关法律法规的重要环节，涉及数据收集、存储、使用、共享等。合规性审查需遵循“最小必要”原则，保证数据处理仅限于必要范围内。数据合规性审查流程一般包括以下几个步骤：（1）数据分类与分类标准：根据数据类型（如用户信息、交易数据、物流信息等）和敏感程度进行分类，确定其处理范围与权限。（2）数据处理规则制定：明确数据收集、存储、使用、共享等环节的规则，保证符合相关法律法规。（3）数据处理流程审核：对数据处理流程进行合规性审核，保证所有操作符合规定。（4）数据安全评估：定期进行数据安全评估，识别潜在风险，制定应对措施。（5）合规性报告与审计：定期生成合规性报告，并接受内部或外部审计，保证合规性。表格：数据合规性审查关键参数审查阶段评估内容审查频率审查主体数据分类数据类型、敏感等级、处理范围每季度数据管理部门数据处理规则处理流程、权限范围、数据使用场景每年法律合规部门数据安全评估威胁评估、漏洞扫描、安全策略执行每季度安全技术团队合规性报告合规性指标、风险点、改进措施每半年数据治理委员会第八章数据模型持续优化与迭代8.1模型功能评估与调优数据模型的持续优化与迭代是保证电商平台运营数据体系科学性与高效性的关键环节。模型功能评估与调优需围绕数据准确性、响应速度、计算效率等核心指标展开，通过量化分析与定性评估相结合的方式，实现对模型运行状态的全面掌握与动态调整。在模型功能评估中，应重点关注以下关键指标：准确率（Ac