Müşteri ve ürün segmentasyonu temel bilgileri

Python ile Pazarlama için Machine Learning

Karolis Urbonas

Head of Analytics & Science, Amazon

Veri biçimi

# Ürün/hizmete göre müşteri matrisi
wholesale.head()

Toptan başlık

Gözetimsiz öğrenme modelleri

Hiyerarşik kümeleme
K-means
Negatif olmayan matris faktörizasyonu (NMF)
Bikümeleme
Gauss karışım modelleri (GMM)
Daha fazlası

Gözetimsiz öğrenme modelleri

Hiyerarşik kümeleme
K-means
Negatif olmayan matris faktörizasyonu (NMF)
Bikümeleme
Gauss karışım modelleri (GMM)
Daha fazlası

Gözetimsiz öğrenme adımları

Modeli başlatın
Modeli uydurun
Küme değerleri atayın
Sonuçları inceleyin

Değişkenleri keşfedin

wholesale.agg(['mean','std']).round(0)

        Fresh    Milk  Grocery  Frozen  Detergents_Paper  Delicassen
mean  12000.0  5796.0   7951.0  3072.0            2881.0      1525.0
std   12647.0  7380.0   9503.0  4855.0            4768.0      2820.0

# İstatistikleri alın
averages = wholesale.mean()
st_dev = wholesale.std()
x_names = wholesale.columns
x_ix = np.arange(wholesale.shape[1])

# Veriyi görselleştirin
import matplotlib.pyplot as plt
plt.bar(x_ix-0.2, averages, color='grey', label='Average', width=0.4)
plt.bar(x_ix+0.2, st_dev, color='orange', label='Standard Deviation', width=0.4)
plt.xticks(x_ix, x_names, rotation=90)
plt.legend()
plt.show()

Ortalama ve standart sapma çubuk grafiği

Çubuk grafik

Dağılımları incelemek için ikili grafik görselleştir

import seaborn as sns
sns.pairplot(wholesale, diag_kind='kde')
plt.show()

İkili grafik incelemesi

Ham Pairplot

Hadi pratik yapalım!

Python ile Pazarlama için Machine Learning