Müşteri ve ürün segmentasyonu oluşturun

Python ile Pazarlama için Machine Learning

Karolis Urbonas

Head of Analytics & Science, Amazon

K-ortalama ile segmentasyon adımları

K-ortalama ile segmentasyon (k küme sayısı):

from sklearn.cluster import KMeans

kmeans=KMeans(n_clusters=k)

kmeans.fit(wholesale_scaled_df)

wholesale_kmeans4 = wholesale.assign(segment = kmeans.labels_)

NMF ile segmentasyon adımları

NMF ile segmentasyon (k küme sayısı):

from sklearn.decomposition import NMF
nmf = NMF(k)
nmf.fit(wholesale)
components = pd.DataFrame(nmf.components_, columns=wholesale.columns)

Segment atamasını çıkarma:

segment_weights = pd.DataFrame(nmf.transform(wholesale, columns=components.index)
segment_weights.index = wholesale.index
wholesale_nmf = wholesale.assign(segment = segment_weights.idxmax(axis=1))

Segment sayısı nasıl başlatılır?

Hem K-ortalama hem NMF, küme sayısının (k) belirlenmesini gerektirir
k için iki yaklaşım: 1) Matematiksel, 2) Test ve öğren
İlk tahmin için matematiksel dirsek kriterini inceleyeceğiz

Dirsek kriteri yöntemi

Bir dizi k değeri üzerinde yineleyin
Aynı veri üzerinde her biri için kümeleme çalıştırın
Her biri için kare hatalar toplamını (SSE) hesaplayın
SSEyi kya karşı çizin ve “dirsek”i belirleyin — hata azalımındaki marjinal kazançların düştüğü nokta

Kare hatalar toplamını hesaplayın ve sonuçları görselleştirin

sse = {}
for k in range(1, 11):
    kmeans=KMeans(n_clusters=k, random_state=333)
    kmeans.fit(wholesale_scaled_df)
    sse[k] = kmeans.inertia_

plt.title('Dirsek kriteri grafiği')
sns.pointplot(x=list(sse.keys()), y=list(sse.values()))
plt.show()

En uygun segment sayısını belirleme

Dirsek Kriteri Yöntemi

Test ve öğren yöntemi

Önce matematiksel olarak en uygun segment sayısını hesaplayın
Optimal k etrafında birden çok değerle segmentasyon kurun
Sonuçları inceleyin ve iş açısından en anlamlı olanı seçin (Segmentleri adlandırabiliyor musunuz? Belirsiz/örtüşen var mı?)

Hadi müşteri segmentleri oluşturalım!

Python ile Pazarlama için Machine Learning