Bangun segmentasi pelanggan dan produk

Machine Learning untuk Pemasaran dengan Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Langkah segmentasi dengan K-means

Segmentasi dengan K-means (untuk k klaster):

from sklearn.cluster import KMeans

kmeans=KMeans(n_clusters=k)

kmeans.fit(wholesale_scaled_df)

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

Langkah segmentasi dengan NMF

Segmentasi dengan NMF (k jumlah klaster):

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

Ekstraksi penetapan segmen:

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))

Bagaimana menetapkan jumlah segmen?

Baik K-means maupun NMF memerlukan penetapan jumlah klaster (k)
Dua cara menentukan k: 1) Matematis, 2) Uji & pelajari
Kita akan bahas metode kriteria elbow untuk perkiraan awal

Metode kriteria elbow

Iterasi berbagai nilai k
Jalankan klasterisasi untuk tiap nilai pada data yang sama
Hitung sum of squared errors (SSE) untuk tiap nilai
Plot SSE terhadap k dan cari "elbow"—penurunan manfaat tambahan dalam reduksi error

Hitung SSE dan plot hasilnya

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('Elbow criterion method chart')
sns.pointplot(x=list(sse.keys()), y=list(sse.values()))
plt.show()

Menentukan jumlah segmen optimal

Metode Kriteria Elbow

Metode uji & pelajari

Hitung dulu jumlah segmen optimal secara matematis
Bangun segmentasi dengan beberapa nilai di sekitar k optimal
Telusuri hasil dan pilih yang paling relevan bisnis (Bisakah Anda menamai segmennya? Apakah ambigu/bertumpang tindih?)

Ayo bangun segmen pelanggan!

Machine Learning untuk Pemasaran dengan Python