Wizualizacja i interpretacja rozwiązań segmentacyjnych

Uczenie maszynowe w marketingu w Pythonie

Karolis Urbonas

Head of Analytics & Science, Amazon

Metody eksploracji segmentów

  • Oblicz średnią / medianę / inne percentyle dla każdej zmiennej według segmentu
  • Oblicz względne znaczenie każdej zmiennej według segmentu
  • Dane można eksplorować w tabeli lub na wykresie (heatmapa to dobry wybór)
Uczenie maszynowe w marketingu w Pythonie

Analiza średnich atrybutów segmentacji K-means

kmeans4_averages = wholesale_kmeans4.groupby(['segment']).mean().round(0)
print(kmeans4_averages)

Średnie atrybuty segmentacji K-means (4 segmenty)

Uczenie maszynowe w marketingu w Pythonie

Wykres średnich atrybutów segmentacji K-means

sns.heatmap(kmeans4_averages.T, cmap='YlGnBu')
plt.show()

Heatmapa średnich atrybutów segmentacji K-means (4 segmenty)

Uczenie maszynowe w marketingu w Pythonie

Wykres średnich atrybutów segmentacji NMF

nmf4_averages = wholesale_nmf4.groupby('segment').mean().round(0)
sns.heatmap(nmf4_averages.T, cmap='YlGnBu')
plt.show()

Heatmapa średnich atrybutów segmentacji NMF

Uczenie maszynowe w marketingu w Pythonie

Zbudujmy rozwiązania z 3 segmentami!

Uczenie maszynowe w marketingu w Pythonie

Preparing Video For Download...