สร้างการแบ่งกลุ่มลูกค้าและสินค้า

Machine Learning สำหรับการตลาดด้วย Python

Karolis Urbonas

Head of Analytics & Science, Amazon

ขั้นตอนการแบ่งกลุ่มด้วย K-means

การแบ่งกลุ่มด้วย K-means (สำหรับ k คลัสเตอร์):

from sklearn.cluster import KMeans

kmeans=KMeans(n_clusters=k)

kmeans.fit(wholesale_scaled_df)

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

ขั้นตอนการแบ่งกลุ่มด้วย NMF

การแบ่งกลุ่มด้วย NMF (k คลัสเตอร์):

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

การดึงข้อมูลการกำหนดกลุ่ม:

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))

จะกำหนดจำนวนกลุ่มอย่างไร?

ทั้ง K-means และ NMF ต้องกำหนดจำนวนคลัสเตอร์ (k)
มี 2 วิธีในการกำหนด k: 1) ใช้คณิตศาสตร์ 2) ทดสอบและเรียนรู้
จะสำรวจวิธี elbow criterion เพื่อประมาณค่าเบื้องต้น

วิธี elbow criterion

วนซ้ำผ่านค่า k หลายค่า
รันการจัดกลุ่มสำหรับแต่ละค่าบนข้อมูลชุดเดียวกัน
คำนวณผลรวมของข้อผิดพลาดกำลังสอง (SSE) สำหรับแต่ละค่า
พล็อต SSE เทียบกับ k และหา "elbow" — จุดที่การปรับปรุงเริ่มลดน้อยลง

คำนวณผลรวมข้อผิดพลาดกำลังสองและพล็อตผลลัพธ์

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()

การหาจำนวนกลุ่มที่เหมาะสม

วิธี Elbow Criterion

วิธีทดสอบและเรียนรู้

คำนวณจำนวนกลุ่มที่เหมาะสมที่สุดด้วยคณิตศาสตร์ก่อน
สร้างการแบ่งกลุ่มด้วยค่าต่างๆ รอบค่า k ที่ได้
สำรวจผลลัพธ์และเลือกค่าที่ตอบโจทย์ธุรกิจมากที่สุด (ตั้งชื่อกลุ่มได้ไหม? กลุ่มซ้อนทับกันหรือไม่?)

มาสร้างกลุ่มลูกค้ากันเถอะ!

Machine Learning สำหรับการตลาดด้วย Python