Profila e interpreta i segmenti

Customer Segmentation in Python

Karolis Urbonas

Head of Data Science, Amazon

Approcci per creare buyer persona

Statistiche riassuntive per ogni cluster, es. valori RFM medi
Snake plot (dalla ricerca di mercato)
Importanza relativa degli attributi del cluster rispetto alla popolazione

Statistiche riassuntive di ogni cluster

Esegui k-means per diversi valori di k intorno a quello consigliato.

Crea una colonna etichetta cluster nel DataFrame originale:

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Calcola valori RFM medi e dimensioni per ogni cluster:

datamart_rfm_k2.groupby(['Cluster']).agg({
   'Recency': 'mean',
   'Frequency': 'mean',
   'MonetaryValue': ['mean', 'count'],
}).round(0)

Ripeti lo stesso per k=3

Statistiche riassuntive di ogni cluster

Confronta i valori RFM medi di ogni soluzione di clustering

Snake plot per capire e confrontare i segmenti

Tecnica di ricerca di mercato per confrontare segmenti
Rappresentazione visiva degli attributi di ogni segmento
Prima normalizza i dati (centratura e scalatura)
Traccia i valori medi normalizzati di ogni attributo per cluster

Prepara i dati per uno snake plot

Trasforma datamart_normalized in DataFrame e aggiungi una colonna Cluster

datamart_normalized = pd.DataFrame(datamart_normalized, 
                                   index=datamart_rfm.index, 
                                   columns=datamart_rfm.columns)
datamart_normalized['Cluster'] = datamart_rfm_k3['Cluster']

Trasforma i dati in formato long così che valori RFM e nomi metriche siano in 1 colonna ciascuno

datamart_melt = pd.melt(datamart_normalized.reset_index(), 
                    id_vars=['CustomerID', 'Cluster'],
                    value_vars=['Recency', 'Frequency', 'MonetaryValue'], 
                    var_name='Attribute', 
                    value_name='Value')

Visualizza uno snake plot

plt.title('Snake plot of standardized variables')
sns.lineplot(x="Attribute", y="Value", hue='Cluster', data=datamart_melt)

Importanza relativa degli attributi del segmento

Tecnica utile per capire l'importanza relativa degli attributi di ogni segmento
Calcola le medie di ogni cluster
Calcola le medie della popolazione
Calcola l'indice di importanza dividendo le due medie e sottraendo 1 (restituisce 0 quando la media del cluster = media della popolazione)

cluster_avg = datamart_rfm_k3.groupby(['Cluster']).mean()

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Analizza e traccia l'importanza relativa

Più il rapporto si allontana da 0, maggiore è l'importanza dell'attributo per il segmento (rispetto al totale).

relative_imp.round(2)

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

# Plot heatmap
plt.figure(figsize=(8, 2))
plt.title('Relative importance of attributes')
sns.heatmap(data=relative_imp, annot=True, fmt='.2f', cmap='RdYlGn')
plt.show()

Heatmap dell'importanza relativa

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

È il tuo turno: prova diverse tecniche di profiling clienti!

Customer Segmentation in Python