0

我目前正在为公司制定一项战略，以通过将傅立叶变换应用于客户交易数据的商业智能来减少客户流失并监控客户健康状况。许多企业的客户具有周期性的消费习惯，检测模式可以帮助识别客户当前的行为何时具有欺诈性，表明他们离开了服务，或者表明他们在成长过程中需要帮助。

给定客户支出数据，可以按多种方式分类，客户也可以，我尝试在 Jupiter Notebook 中使用以下代码获取信号

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

# Number of samplepoints
N = 180
# sample spacing
T = 1.0 / 180.0
x = data['date']
y = data['spend']
yf = scipy.fftpack.fft(y)
xf = np.linspace(0.0, 1.0/(2.0*T), N/2)

fig, ax = plt.subplots()
ax.plot(xf, 2.0/N * np.abs(yf[:N//2]))
plt.show()

这是一个有效的前提吗？我没有成功地为我的任何样本循环客户数据在频域中绘制干净的响应。使用不同的指标会更好吗，比如他们的每日支出——最近一段时间的移动平均每日支出？这将跌至负值并稳定在零附近。

请让我知道你的想法！

4

0 回答 0