Profiler et interpréter les segments

Customer Segmentation in Python

Karolis Urbonas

Head of Data Science, Amazon

Approches pour créer des personas clients

Statistiques récapitulatives par cluster (p. ex. moyennes RFM)
Snake plots (issus des études de marché)
Importance relative des attributs du cluster vs population

Statistiques par cluster

Exécuter k-means pour plusieurs valeurs de k autour de la valeur recommandée.

Créer une colonne d’étiquette de cluster dans le DataFrame d’origine :

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Calculer les moyennes RFM et la taille de chaque cluster :

datamart_rfm_k2.groupby(['Cluster']).agg({
   'Recency': 'mean',
   'Frequency': 'mean',
   'MonetaryValue': ['mean', 'count'],
}).round(0)

Répéter pour k=3

Statistiques par cluster

Comparer les moyennes RFM de chaque solution de clustering

Snake plots pour comprendre et comparer les segments

Technique d’études de marché pour comparer des segments
Représentation visuelle des attributs de chaque segment
Normaliser les données (centrer et réduire) au préalable
Tracer la moyenne normalisée de chaque attribut par cluster

Préparer les données pour un snake plot

Transformer datamart_normalized en DataFrame et ajouter une colonne Cluster

datamart_normalized = pd.DataFrame(datamart_normalized, 
                                   index=datamart_rfm.index, 
                                   columns=datamart_rfm.columns)
datamart_normalized['Cluster'] = datamart_rfm_k3['Cluster']

Convertir en format long pour stocker les valeurs RFM et noms de métriques dans 1 colonne chacun

datamart_melt = pd.melt(datamart_normalized.reset_index(), 
                    id_vars=['CustomerID', 'Cluster'],
                    value_vars=['Recency', 'Frequency', 'MonetaryValue'], 
                    var_name='Attribute', 
                    value_name='Value')

Visualiser un snake plot

plt.title('Snake plot of standardized variables')
sns.lineplot(x="Attribute", y="Value", hue='Cluster', data=datamart_melt)

Importance relative des attributs de segment

Technique utile pour repérer l’importance relative des attributs par segment
Calculer la moyenne de chaque cluster
Calculer la moyenne de la population
Calculer le score d’importance en divisant puis en soustrayant 1 (donne 0 si la moyenne du cluster égale celle de la population)

cluster_avg = datamart_rfm_k3.groupby(['Cluster']).mean()

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Analyser et tracer l’importance relative

Plus le ratio s’éloigne de 0, plus l’attribut est important pour le segment (vs pop. totale).

relative_imp.round(2)

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

# Plot heatmap
plt.figure(figsize=(8, 2))
plt.title('Relative importance of attributes')
sns.heatmap(data=relative_imp, annot=True, fmt='.2f', cmap='RdYlGn')
plt.show()

Carte thermique de l’importance relative

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

À vous d’expérimenter différentes techniques de profilage client !

Customer Segmentation in Python