Prétraitement des données

Segmentation de la clientèle en Python

Karolis Urbonas

Head of Data Science, Amazon

Avantages du partitionnement k-means

  • L'une des méthodes non supervisées les plus utilisées
  • Simple et rapide
  • Donne de bons résultats*

* sous certaines hypothèses sur les données

Segmentation de la clientèle en Python

Hypothèses clés de k-means

  • Distribution symétrique des variables (non asymétrique)
  • Variables avec la même moyenne
  • Variables avec la même variance
Segmentation de la clientèle en Python

Variables asymétriques

 

  • Asymétrie à gauche

 

  • Asymétrie à droite

Segmentation de la clientèle en Python

Variables asymétriques

  • Asymétrie corrigée par une transformation logarithmique

Segmentation de la clientèle en Python

Variables sur la même échelle

  • k-means suppose des moyennes égales
  • Et des variances égales
  • Ce n'est pas le cas avec les données RFM
datamart_rfm.describe()

Segmentation de la clientèle en Python

Revoyons les concepts

Segmentation de la clientèle en Python

Preparing Video For Download...