k-means kümelemenin uygulaması

Python ile Müşteri Segmentasyonu

Karolis Urbonas

Head of Data Science, Amazon

Temel adımlar

Veri ön işleme
Küme sayısının seçimi
Ön işlenmiş veride k-means çalıştırma
Kümelere göre ortalama RFM analizi

Veri ön işleme

Ön işleme adımlarını tamamladık ve şu iki nesneye sahibiz:

datamart_rfm
datamart_normalized

import numpy as np
datamart_log = np.log(datamart_rfm)

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(datamart_log)

datamart_normalized = scaler.transform(datamart_log)

Küme sayısını belirleme yöntemleri

Görsel yöntemler: dirsek ölçütü
Matematiksel yöntemler: silüet katsayısı
Deney ve yorumlama

k-means çalıştırma

# Import package
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=2, random_state=1)

# Compute k-means clustering on pre-processed data
kmeans.fit(datamart_normalized)

# Extract cluster labels from labels_ attribute
cluster_labels = kmeans.labels_

Kümelere göre ortalama RFM değerlerinin analizi

# Create a cluster label column in the original DataFrame
datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

# Calculate average RFM values and size for each cluster
datamart_rfm_k2.groupby(['Cluster']).agg({
    'Recency': 'mean',
    'Frequency': 'mean',
    'MonetaryValue': ['mean', 'count'],
}).round(0)

Kümelere göre ortalama RFM değerlerinin analizi

Basit bir 2 küme çözümünün sonucu:

k-means kümelemeyi çalıştıralım!

Python ile Müşteri Segmentasyonu