Grunderna i kund- och produktsegmentering

Maskininlärning för marknadsföring i Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Dataformat

# Customer by product/service matrix
wholesale.head()

Wholesale header

Oövervakade inlärningsmodeller

Hierarkisk klustring
K-means
Icke-negativ matrixfaktorisering (NMF)
Biklustring
Gaussiska blandmodeller (GMM)
Och många fler

Oövervakade inlärningsmodeller

Hierarkisk klustring
K-means
Icke-negativ matrixfaktorisering (NMF)
Biklustring
Gaussiska blandmodeller (GMM)
Och många fler

Steg vid oövervakad inlärning

Initiera modellen
Träna modellen
Tilldela klustervärden
Utforska resultaten

Utforska variabler

wholesale.agg(['mean','std']).round(0)

        Fresh    Milk  Grocery  Frozen  Detergents_Paper  Delicassen
mean  12000.0  5796.0   7951.0  3072.0            2881.0      1525.0
std   12647.0  7380.0   9503.0  4855.0            4768.0      2820.0

# Get the statistics
averages = wholesale.mean()
st_dev = wholesale.std()
x_names = wholesale.columns
x_ix = np.arange(wholesale.shape[1])

# Plot the data
import matplotlib.pyplot as plt
plt.bar(x_ix-0.2, averages, color='grey', label='Average', width=0.4)
plt.bar(x_ix+0.2, st_dev, color='orange', label='Standard Deviation', width=0.4)
plt.xticks(x_ix, x_names, rotation=90)
plt.legend()
plt.show()

Stapeldiagram över medelvärden och standardavvikelser

Stapeldiagram

Pairplot för att utforska fördelningar

import seaborn as sns
sns.pairplot(wholesale, diag_kind='kde')
plt.show()

Genomgång av pairplot

Pairplot Raw

Nu kör vi en övning!

Maskininlärning för marknadsföring i Python