顧客と製品のセグメンテーション基礎

Pythonで学ぶマーケティングのための機械学習

Karolis Urbonas

Head of Analytics & Science, Amazon

データ形式

# Customer by product/service matrix
wholesale.head()

ホールセールのヘッダー

教師なし学習モデル

階層的クラスタリング
K-means
非負値行列因子分解（NMF）
バイクラスタリング
混合ガウスモデル（GMM）
そのほか多数

教師なし学習モデル

階層的クラスタリング
K-means
非負値行列因子分解（NMF）
バイクラスタリング
混合ガウスモデル（GMM）
そのほか多数

教師なし学習の手順

モデルを初期化
モデルを学習
クラスタを割り当て
結果を探索

変数を探索

wholesale.agg(['mean','std']).round(0)

        Fresh    Milk  Grocery  Frozen  Detergents_Paper  Delicassen
mean  12000.0  5796.0   7951.0  3072.0            2881.0      1525.0
std   12647.0  7380.0   9503.0  4855.0            4768.0      2820.0

# Get the statistics
averages = wholesale.mean()
st_dev = wholesale.std()
x_names = wholesale.columns
x_ix = np.arange(wholesale.shape[1])

# Plot the data
import matplotlib.pyplot as plt
plt.bar(x_ix-0.2, averages, color='grey', label='Average', width=0.4)
plt.bar(x_ix+0.2, st_dev, color='orange', label='Standard Deviation', width=0.4)
plt.xticks(x_ix, x_names, rotation=90)
plt.legend()
plt.show()

平均と標準偏差の棒グラフ

棒グラフ

ペアプロットで分布を可視化

import seaborn as sns
sns.pairplot(wholesale, diag_kind='kde')
plt.show()

ペアプロットの確認

ペアプロット（生データ）

Passons à la pratique !

Pythonで学ぶマーケティングのための機械学習