Profilowanie i interpretacja segmentów

Segmentacja klientów w Pythonie

Karolis Urbonas

Head of Data Science, Amazon

Metody tworzenia person klientów

Statystyki opisowe dla każdego klastra, np. średnie wartości RFM
Wykresy wężowe (z badań rynkowych)
Względna ważność atrybutów klastra w porównaniu z populacją

Statystyki opisowe każdego klastra

Uruchom segmentację k-means dla kilku wartości k wokół zalecanej.

Utwórz kolumnę etykiet klastra w oryginalnym DataFrame:

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Oblicz średnie wartości RFM i rozmiary dla każdego klastra:

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

Powtórz to samo dla k=3

Statystyki opisowe każdego klastra

Porównaj średnie wartości RFM dla każdego rozwiązania klasteryzacji

Wykresy wężowe do analizy i porównywania segmentów

Technika z badań rynkowych do porównywania segmentów
Wizualna reprezentacja atrybutów każdego segmentu
Wymagana normalizacja danych (centrowanie i skalowanie)
Wykres średnich znormalizowanych wartości każdego atrybutu dla klastrów

Przygotowanie danych do wykresu wężowego

Przekształć datamart_normalized w DataFrame i dodaj kolumnę Cluster

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

Przekształć dane do formatu długiego, aby wartości RFM i nazwy metryk były przechowywane w osobnych kolumnach

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

Wizualizacja wykresu wężowego

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

Względna ważność atrybutów segmentu

Technika identyfikacji względnej ważności atrybutów każdego segmentu
Oblicz średnie wartości każdego klastra
Oblicz średnie wartości populacji
Oblicz wskaźnik ważności, dzieląc je i odejmując 1 (zapewnia zwrócenie 0, gdy średnia klastra równa się średniej populacji)

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Analiza i wizualizacja względnej ważności

Im bardziej wskaźnik odbiega od 0, tym większa ważność atrybutu dla segmentu (względem całej populacji).

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()

Mapa ciepła względnej ważności

         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

Czas na eksperymentowanie z różnymi technikami profilowania klientów!

Segmentacja klientów w Pythonie