Dresser le profil et interpréter les segments

Segmentation de la clientèle en Python

Karolis Urbonas

Head of Data Science, Amazon

Approches pour créer des personas clients

Statistiques sommaires par cluster, p. ex. valeurs RFM moyennes
« Snake plots » (issus des études de marché)
Importance relative des attributs du cluster vs population

Statistiques sommaires de chaque cluster

Exécutez k-means pour plusieurs valeurs de k autour de la valeur recommandée.

Créez une colonne d'étiquette de cluster dans le DataFrame original :

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Calculez les valeurs RFM moyennes et la taille de chaque cluster :

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

Répétez pour k=3

Statistiques sommaires de chaque cluster

Comparez les valeurs RFM moyennes de chaque solution de regroupement

« Snake plots » pour comprendre et comparer les segments

Technique d'étude de marché pour comparer des segments
Représentation visuelle des attributs de chaque segment
Normaliser d'abord les données (centrer et réduire)
Tracer les moyennes normalisées de chaque attribut par cluster

Préparer les données pour un « snake plot »

Transformez datamart_normalized en DataFrame et ajoutez une colonne Cluster

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

Convertissez en format long pour stocker les valeurs RFM et noms de mesures dans 1 colonne chacun

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

Visualiser un « snake plot »

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

Importance relative des attributs de segment

Technique utile pour cerner l'importance relative de chaque attribut de segment
Calculez la moyenne de chaque cluster
Calculez la moyenne de la population
Calculez le score d'importance en divisant puis en soustrayant 1 (assure 0 quand la moyenne du cluster égale celle de la population)

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Analyser et tracer l'importance relative

Plus le ratio s'éloigne de 0, plus l'attribut est important pour le segment (vs pop. totale).

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()

Carte thermique de l'importance relative

         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

À vous d'expérimenter différentes méthodes de profilage client !

Segmentation de la clientèle en Python