Perfilar e interpretar segmentos

Segmentação de Clientes em Python

Karolis Urbonas

Head of Data Science, Amazon

Abordagens para criar personas de clientes

Estatísticas resumo por cluster, ex.: médias de RFM
Snake plots (de pesquisa de mercado)
Importância relativa dos atributos do cluster vs. população

Estatísticas resumo de cada cluster

Rode k-means para vários valores de k perto do recomendado.

Crie a coluna de rótulo do cluster no DataFrame original:

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Calcule médias de RFM e tamanhos por cluster:

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

Repita para k=3

Estatísticas resumo de cada cluster

Compare as médias de RFM de cada solução de clustering

Snake plots para entender e comparar segmentos

Técnica de pesquisa de mercado para comparar segmentos
Visualização dos atributos de cada segmento
Primeiro normalize os dados (centralize e escale)
Plote as médias normalizadas de cada atributo por cluster

Preparar dados para um snake plot

Transforme datamart_normalized em DataFrame e adicione a coluna Cluster

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

Derreta os dados para formato longo, com valores de RFM e nomes das métricas em 1 coluna cada

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

Visualizar um snake plot

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

Importância relativa dos atributos do segmento

Técnica útil para ver a importância relativa de cada atributo do segmento
Calcule as médias de cada cluster
Calcule as médias da população
Calcule o score de importância dividindo e subtraindo 1 (dá 0 quando a média do cluster = da população)

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Analisar e plotar a importância relativa

Quanto mais o razão se afasta de 0, maior a importância do atributo no segmento (vs. população).

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()

Mapa de calor de importância relativa

         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

Hora de testar diferentes técnicas de perfil de cliente!

Segmentação de Clientes em Python