数据形式
（1）个人属性与信用卡消费数据：包含80000名信用卡客户的个人属性与信用卡消费数据，其中包含枚举型特征和数值型特征，均已转为数值并进行了脱敏和标准化处理。数据样例如下：
USRID V1 V2 v3 … V30
000001 -1.2212 0.4523 1.3251 … -1.2212
000002 -1.0987 0.0165 -1.0684 … 0.0925
（2） APP操作行为日志：上述信用卡客户中，部分已绑定掌上生活APP的客户，在近一个月时间窗口内的所有点击行为日志。日志记录包含如下字段：
字段名 字段含义 说明
USRID 客户号 已匿名处理
EVT_LBL 点击模块名称 已清晰并编码
OCC_TIM 触发时间 用户触发该事件的精准时间
TCH_TYP 事件类型 0：APP,1：WEB,2：H5
其中，点击模块名称均为数字编码（形如231-145-18），代表了点击模块的三个级别（如饭票-代金券-门店详情）。
（3）标注数据：包括客户号及标签。其中，标签数据为用户是否会在未来一周，购买掌上生活APP上的优惠券。具体数据结构如下：
字段名 字段含义 说明
USRID 客户号 已匿名处理
FLAG 未来一周是否购买APP上的优惠券 0：未购买，1：购买
测试数据前两部分与训练数据相同，但不提供标注数据。
数据模型
1、缺失的补充
这里数据主要缺失的是日志数据，这里主要针对数值特征采用中位数，对于类别特征采用的是众数。
2、异常值处理
去除个人属性与信用卡消费数据中离群点，去除这种数据。
3、特征工程
个人属性与信用卡消费数据
a、个人属性与信用卡消费数据（30维数值特征）
针对日志数据提取
a、一月内每天点击的次数（30维）
b、1天24小时，每小时的点击次数（24维）
c、一周7天，每天的点击次数（7维）
针对点击不同位置特征信息
a、EVT_LBL 共有616类
EVT_LBL_1 共有21类
EVT_LBL_2 共有178类
EVT_LBL_3 共有616类
构造616为维特征，每一维度为点击的次数
因此总共可以得到 30+30+24+7+616=707
1.CNN模型
构造27*27 张量，这里首先是将数据归一化到0到 1之间，同时将三种类别的特征摆放在一起。
5*5网络的深度是6层，最后一层fc层。
数据量 80000用户
2、xgb模型，除了前面的提取的特征外，还另外提取一周次数衰减特征，还有部分手工的交叉特征。
最终将两个模型集成一起得到最后的结果。