Question

内容小结：商品数据化运营几乎是每个公司做精细化运营、销售提升的重要支撑，本章几乎每个内容都能在实际运营中找到对应落地点，它们不仅可以用于商品运营分析，更可以用于其他商品自动化运营的场景，例如个性化推荐、智能促销等。

重点知识：本章需要读者重点掌握的知识点是商品数据化运营分析的模型、小技巧以及最后两个案例中的效果优化和提升方法，尤其是：

使用lambda配合map实现特定功能

使用SMOTE做样本均衡处理

新产品市场定位模型

商品规划的最优组合

基于GridSearchCV的超参数的模型优化方法

基于多种模型的投票组合模型的构建

外部参考：限于篇幅，本书未能言尽的内容包括：

商品数据化运营涉及很多有关运营方面的话题，如何将运营与数据更好的结合，可以参考《数据化管理：洞悉零售及电子商务运营》，这是一本简明易懂的将数据与运营场景结合的书籍，其中的经验不可多得。

市场分析不只是服务于商品运营，更能从整个企业宏观层面做企业级预测支持。在市场分析领域，麦肯锡处于企业咨询服务和市场服务的领先地位，有兴趣的读者可以阅读《麦肯锡问题分析与解决技巧》。这不是一本讲技术的书籍，但它能从思路、方法、步骤等方面帮你建立良好的思维习惯，从“术”和“法”走向更高的“道”。

线性规划方法是非常有效的决策方法，与之对应的是非线性规划方法，有关这两种方法的更多内容，请读者参考《线性和非线性规划（第3版）》，这是一本研究运筹学的经典教材。

在6.8节中的案例的最后提到了将Python对象持久化和增量更新的问题。有关Python对象的持久化，请查阅资料了解Python的内置标准库pickle和cpickle，尤其是大型程序环境中后者用的比较多；对于Python数据挖掘和机器学习的增量更新，sklearn中已经提供了不少算法，如表6-13所示，有兴趣的读者可以做进一步了解和学习。

表6-13　sklearn支持增量学习的算法

应用实践：虽然本书尽量在各个知识的讲解中穿插步骤或示例做说明，希望能通过更多的案例帮助读者理解每个模型和方法如何应用，但“纸上得来终觉浅”，6.4节和6.5节中的每个模型、方法和技巧都需要读者多加练习才能融会贯通；尤其是本章最后两个案例演示了如何通过系统方法找到最优模型，不是所有的工作都交给程序完成，仍然需要读者具备一定的模型、算法、数据的理解能力，这样才能设置合适的参数列表并寻找合适的组合模型器。