कस्टमर और प्रोडक्ट सेगमेंटेशन बनाएँ

Python में मार्केटिंग के लिए मशीन लर्निंग

Karolis Urbonas

Head of Analytics & Science, Amazon

K-means के साथ सेगमेंटेशन स्टेप्स

K-means सेगमेंटेशन (k क्लस्टर्स की संख्या):

from sklearn.cluster import KMeans

kmeans=KMeans(n_clusters=k)

kmeans.fit(wholesale_scaled_df)

wholesale_kmeans4 = wholesale.assign(segment = kmeans.labels_)

NMF के साथ सेगमेंटेशन स्टेप्स

NMF सेगमेंटेशन (k क्लस्टर्स की संख्या):

from sklearn.decomposition import NMF
nmf = NMF(k)
nmf.fit(wholesale)
components = pd.DataFrame(nmf.components_, columns=wholesale.columns)

सेगमेंट असाइनमेंट निकालना:

segment_weights = pd.DataFrame(nmf.transform(wholesale, columns=components.index)
segment_weights.index = wholesale.index
wholesale_nmf = wholesale.assign(segment = segment_weights.idxmax(axis=1))

सेगमेंट्स की संख्या कैसे शुरू करें?

K-means और NMF, दोनों में क्लस्टर्स (k) सेट करना पड़ता है
k तय करने के 2 तरीके: 1) गणितीय, 2) टेस्ट और लर्न
हम एल्बो क्राइटेरियन का गणितीय तरीका देखकर एक मोटा अनुमान लेंगे

Elbow criterion method

अलग-अलग k वैल्यू पर इटरेट करें
हर k पर उसी डेटा पर क्लस्टरिंग चलाएँ
हर एक के लिए sum of squared errors (SSE) निकालें
SSE बनाम k प्लॉट करें और "elbow" पहचानें - त्रुटि में घटती अतिरिक्त कमी

Sum of squared errors निकालें और परिणाम प्लॉट करें

sse = {}
for k in range(1, 11):
    kmeans=KMeans(n_clusters=k, random_state=333)
    kmeans.fit(wholesale_scaled_df)
    sse[k] = kmeans.inertia_

plt.title('Elbow criterion method chart')
sns.pointplot(x=list(sse.keys()), y=list(sse.values()))
plt.show()

अनुकूल सेगमेंट्स की संख्या पहचानना

Elbow Criterion Method

टेस्ट और लर्न विधि

पहले, गणितीय रूप से अनुकूल सेगमेंट्स की संख्या निकालें
अनुकूल k के आसपास कई वैल्यू पर सेगमेंटेशन बनाएँ
परिणाम देखें और सबसे व्यावसायिक रूप से प्रासंगिक विकल्प चुनें (क्या आप सेगमेंट्स का नाम रख सकते हैं? क्या वे अस्पष्ट/ओवरलैपिंग हैं?)

आइए कस्टमर सेगमेंट बनाएँ!

Python में मार्केटिंग के लिए मशीन लर्निंग