सेगमेंट्स का प्रोफाइल बनाएँ और व्याख्या करें

Python में Customer Segmentation

Karolis Urbonas

Head of Data Science, Amazon

कस्टमर पर्सोना बनाने के तरीके

हर क्लस्टर के लिए समरी आँकड़े, जैसे औसत RFM मान
स्नेक प्लॉट्स (मार्केट रिसर्च से)
जनसंख्या की तुलना में क्लस्टर विशेषताओं की सापेक्ष महत्ता

हर क्लस्टर के समरी आँकड़े

सुझाए गए मान के आसपास कई k मानों के लिए k-means सेगमेंटेशन चलाएँ.
मूल DataFrame में क्लस्टर लेबल वाला कॉलम बनाएँ:
```
datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)
```
हर क्लस्टर के लिए औसत RFM मान और आकार निकालें:
```
datamart_rfm_k2.groupby(['Cluster']).agg({
   'Recency': 'mean',
   'Frequency': 'mean',
   'MonetaryValue': ['mean', 'count'],
}).round(0)
```
- k=3 के लिए भी यही दोहराएँ

हर क्लस्टर के समरी आँकड़े

हर क्लस्टरिंग समाधान के औसत RFM मानों की तुलना करें

सेगमेंट समझने व तुलना के लिए स्नेक प्लॉट्स

अलग-अलग सेगमेंट्स की तुलना के लिए मार्केट रिसर्च तकनीक
हर सेगमेंट की विशेषताओं का विजुअल रिप्रेजेंटेशन
पहले डेटा को normalize करना होगा (center & scale)
हर क्लस्टर के प्रत्येक एट्रिब्यूट के औसत normalized मान प्लॉट करें

स्नेक प्लॉट के लिए डेटा तैयार करें

datamart_normalized को DataFrame में बदलें और Cluster कॉलम जोड़ें

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

डेटा को long फॉर्मेट में melt करें ताकि RFM मान और मेट्रिक नाम अलग-अलग 1 कॉलम में हों

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

स्नेक प्लॉट विज़ुअलाइज़ करें

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

सेगमेंट विशेषताओं की सापेक्ष महत्ता

हर सेगमेंट की विशेषताओं की सापेक्ष महत्ता पहचानने की उपयोगी तकनीक
हर क्लस्टर के औसत मान निकालें
पूरी जनसंख्या के औसत मान निकालें
इन्हें भाग देकर और 1 घटाकर importance स्कोर निकालें (जब क्लस्टर औसत = जनसंख्या औसत हो तो 0 मिलता है)

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

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

सापेक्ष महत्ता का विश्लेषण और प्लॉट करें

जैसे-जैसे अनुपात 0 से दूर जाए, कुल जनसंख्या की तुलना में सेगमेंट की एट्रिब्यूट महत्ता बढ़ती है.

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()

सापेक्ष महत्ता हीटमैप

         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

अब आपकी बारी: अलग-अलग कस्टमर प्रोफाइलिंग तकनीकों के साथ प्रयोग करें!

Python में Customer Segmentation