Implementasi praktis k-means clustering

Segmentasi Pelanggan dengan Python

Karolis Urbonas

Head of Data Science, Amazon

Langkah utama

Pra-pemrosesan data
Menentukan jumlah klaster
Menjalankan k-means pada data terpra-proses
Menganalisis nilai RFM rata-rata tiap klaster

Pra-pemrosesan data

Kita telah menyelesaikan pra-pemrosesan dan memiliki dua objek ini:

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)

Metode menentukan jumlah klaster

Metode visual – kriteria siku
Metode matematis – koefisien siluet
Eksperimen dan interpretasi

Menjalankan k-means

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

# Jalankan k-means pada data terpra-proses
kmeans.fit(datamart_normalized)

# Ambil label klaster dari atribut labels_
cluster_labels = kmeans.labels_

Menganalisis nilai RFM rata-rata tiap klaster

# Buat kolom label klaster di DataFrame asli
datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

# Hitung nilai rata-rata RFM dan ukuran tiap klaster
datamart_rfm_k2.groupby(['Cluster']).agg({
    'Recency': 'mean',
    'Frequency': 'mean',
    'MonetaryValue': ['mean', 'count'],
}).round(0)

Menganalisis nilai RFM rata-rata tiap klaster

Hasil solusi 2 klaster sederhana:

Ayo berlatih menjalankan k-means clustering!

Segmentasi Pelanggan dengan Python