Lập hồ sơ và diễn giải các phân khúc

Phân khúc khách hàng bằng Python

Karolis Urbonas

Head of Data Science, Amazon

Cách xây dựng chân dung khách hàng

Thống kê tóm tắt cho từng cụm, ví dụ giá trị RFM trung bình
Snake plot (từ nghiên cứu thị trường)
Tầm quan trọng tương đối của thuộc tính cụm so với toàn bộ

Thống kê tóm tắt cho từng cụm

Chạy phân cụm k-means cho vài giá trị k quanh giá trị khuyến nghị.

Tạo cột nhãn cụm trong DataFrame gốc:

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Tính giá trị RFM trung bình và kích thước cho mỗi cụm:

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

Lặp lại cho k=3

Thống kê tóm tắt cho từng cụm

So sánh giá trị RFM trung bình của từng phương án phân cụm

Snake plot để hiểu và so sánh phân khúc

Kỹ thuật nghiên cứu thị trường để so sánh các phân khúc
Biểu diễn trực quan thuộc tính của từng phân khúc
Cần chuẩn hóa dữ liệu trước (chuẩn tâm & chuẩn độ lệch)
Vẽ giá trị chuẩn hóa trung bình theo từng thuộc tính cho mỗi cụm

Chuẩn bị dữ liệu cho snake plot

Chuyển datamart_normalized thành DataFrame và thêm cột Cluster

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

Chuyển dữ liệu sang dạng dài để giá trị RFM và tên chỉ số nằm mỗi thứ trong 1 cột

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

Trực quan hóa snake plot

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

Tầm quan trọng tương đối của thuộc tính phân khúc

Kỹ thuật hữu ích để nhận diện tầm quan trọng tương đối của thuộc tính từng phân khúc
Tính giá trị trung bình của mỗi cụm
Tính giá trị trung bình của toàn bộ tập khách hàng
Tính điểm quan trọng bằng cách chia hai giá trị và trừ 1 (trả về 0 khi trung bình cụm bằng trung bình toàn bộ)

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Phân tích và vẽ tầm quan trọng tương đối

Tỷ lệ càng xa 0, thuộc tính càng quan trọng hơn với phân khúc (so với toàn bộ).

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 tầm quan trọng tương đối

         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

Đến lượt bạn thử các kỹ thuật lập hồ sơ khách hàng khác nhau!

Phân khúc khách hàng bằng Python