剖析并解读细分

Python 中的客户细分

Karolis Urbonas

Head of Data Science, Amazon

构建客户画像的方法

各簇的汇总统计，如平均 RFM 值
蛇形图（市场研究）
与总体相比的簇属性相对重要性

各簇的汇总统计

围绕推荐值运行多个 k 的 k-means 分群。

在"原始"DataFrame 中创建簇标签列：

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

计算各簇的平均 RFM 值和规模：

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

对 k=3 重复以上步骤

各簇的汇总统计

比较不同分群方案的平均 RFM 值

用蛇形图理解并比较细分

用于比较不同细分的市场研究方法
各细分属性的可视化
需先标准化数据（中心化与缩放）
绘制各簇在各属性上的平均标准化值

为蛇形图准备数据

将 datamart_normalized 转为 DataFrame 并添加 Cluster 列

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

将数据转为长格式，使 RFM 数值和指标名各在一列

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

可视化蛇形图

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

细分属性的相对重要性

识别各细分属性相对重要性的实用方法
计算各簇的平均值
计算总体的平均值
用两者相除再减去 1 得到重要性分数（当簇均值等于总体均值时返回 0）

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

分析并绘制相对重要性

比率越偏离 0，说明该细分的该属性（相对总体）越重要。

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()

相对重要性热力图

         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

现在轮到你尝试不同的客户画像方法！

Python 中的客户细分