Podstawy segmentacji klientów i produktów

Uczenie maszynowe w marketingu w Pythonie

Karolis Urbonas

Head of Analytics & Science, Amazon

Format danych

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

Nagłówek wholesale

Modele uczenia nienadzorowanego

Grupowanie hierarchiczne
K-means
Nieujemna faktoryzacja macierzy (NMF)
Biklastrowanie
Mieszaniny modeli Gaussa (GMM)
I wiele więcej

Modele uczenia nienadzorowanego

Grupowanie hierarchiczne
K-means
Nieujemna faktoryzacja macierzy (NMF)
Biklastrowanie
Mieszaniny modeli Gaussa (GMM)
I wiele więcej

Kroki uczenia nienadzorowanego

Inicjalizacja modelu
Dopasowanie modelu
Przypisanie wartości klastrów
Eksploracja wyników

Eksploracja zmiennych

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()

Wykres słupkowy średnich i odchyleń standardowych

Wykres słupkowy

Wykres par – eksploracja rozkładów

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

Przegląd wykresu par

Pairplot surowy

Czas na ćwiczenia!

Uczenie maszynowe w marketingu w Pythonie