精准营销!用机器学习完成客户分群!

机器学习客户分群实战:从原理到电商精准营销 客户分群是数据挖掘中的经典聚类问题,通过无监督学习识别数据内在分布模式。K-means等算法能自动将用户划分为具有相似特征的群组,其技术价值在于克服人工分类的主观性,实现基于多维特征的客观分群。在电商和金融领域,该方法可应用于用户画像构建、精准营销等场景,配合RFM模型等业务指标能显著提升转化率。本文以Python的scikit-learn工具包为例,详解特征工程、PCA降维和K值确定等关键技术环节,并分享如何通过轮廓系数评估分群效果,为业务决策提供数据支持。 阅读详情

💡 作者:韩信子@ShowMeAI
📘 数据分析实战系列:https://www.showmeai.tech/tutorials/40
📘 机器学习实战系列:https://www.showmeai.tech/tutorials/41
📘 本文地址:https://www.showmeai.tech/article-detail/325
📢 声明:版权所有,转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

我们总会听到很多公司的技术人员在做用户画像的工作,细分客户/客户分群是一个很有意义的工作,可以确保企业构建更个性化的消费者针对策略,同时优化产品和服务。

在机器学习的角度看,客户分群通常会采用无监督学习的算法完成。应用这些方法,我们会先收集整理客户的基本信息,例如地区、性别、年龄、偏好 等,再对其进行分群。

在本篇内容中,ShowMeAI将用一个案例讲解基于客户信息做用户分群的方法实现。

💡 核心步骤

整个客户分群的过程包含一些核心的步骤:

  • 数据收集
  • 创建RFM表
  • 探索数据&数据变换
  • 应用聚类做用户分群
  • 解释结果

💡 数据收集

下列数据操作处理与分析涉及的工具和技能,欢迎大家查阅ShowMeAI对应的教程和工具速查表,快学快用。

我们需要先结合业务场景收集数据,我们在本案例中使用的是 🏆Online_Retail在线零售数据集,大家可以在ShowMeAI的百度网盘中下载获取数据。

本份数据对应的是在线零售业务的交易数据,包含英国在线零售从 2010 年 12 月 1 日到 2011 年 12 月 9 日的交易。核心字段包括产品名称、数量、价格和其他表示 ID 的列。数据集包含 541909 条数据记录。

🏆 实战数据集下载(百度网盘):公众号『ShowMeAI研究中心』回复『实战』,或者点击 这里 获取本文 [24]基于机器学习的用户价值数据挖掘与客户分群 『Online_Retail 在线零售数据集』

⭐ ShowMeAI官方GitHub:https://github.com/ShowMeAI-Hub

为了快速演示客户分群过程,我们不使用全部数据,我们从数据中采样出 10000 条演示整个过程,对应的数据读取与采样代码如下:

# 导入工具库
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取数据
df = pd.read_excel('Online_Retail.xlsx')
df = df[df['CustomerID'].notna()]

# 数据采样
df_fix = df.sample(10000, random_state = 42)

采样出来的数据如下

💡 创建 RFM 表

数据准备好之后,为了细分客户,我们会对数据做处理,拿到一些核心指标,比如客户上次购买产品的时间,客户购买产品的频率以及客户为产品支付的费用。

也就是我们说的制作 RFM 表的过程,我们创建对应的字段,包括 Recency(最近一次消费)、Frequency(消费频率)和 Monetary Value(消费金额列),它们的构建方式分别如下:

  • 可以用事务发生的日期减去快照日期,来代表最近消费时间点。
  • 可以计算每个客户的交易量,作为频度信息。
  • 可以汇总每个客户的所有交易金额,作为消费金额列。

处理过程的代码如下:

# 只保留日期
from datetime import datetime
df_fix["InvoiceDate"] = df_fix["InvoiceDate"].dt.date

# 总金额
df_fix["TotalSum"] = df_fix["Quantity"] * df_fix["UnitPrice"]

# 最近消费时间点快照
import datetime
snapshot_date = max(df_fix.InvoiceDate) + datetime.timedelta(days=1)

# 统计聚合
customers = df_fix.groupby(['CustomerID']).agg({
    'InvoiceDate': lambda x: (snapshot_date - x.max()).days,
    'InvoiceNo': 'count',
    'TotalSum': 'sum'})

# 重命名字段
customers.rename(columns = {'InvoiceDate': 'Recency',
                            'InvoiceNo': 'Frequency',
                            'TotalSum': 'MonetaryValue'}, inplace=True)

得到结果如下

💡 探索数据&数据变换

下列数据预处理涉及的知识,欢迎大家查阅ShowMeAI对应的知识详解文章。

我们的很多典型的模型算法,对于数据分布都有一些前提假设,比如我们会认为连续值字段是基本符合正态分布的,我们对不同的字段进行可视化处理,以查看其分布:

fig, ax = plt.subplots(1, 3, figsize=(15,3))
sns.distplot(customers['Recency'], ax=ax[0])
sns.distplot(customers['Frequency'], ax=ax[1])
sns.distplot(customers['MonetaryValue'], ax=ax[2])
plt.tight_layout()
plt.show()

我们会发现,数据并不是完全正态分布的,准确地说,它们都是有偏的,我们通常会通过一些数据变换手段来对数据做一些梳理,常见的数据变换方式包括:

  • 对数转换
  • 平方根变换
  • box-cox 变换

我们可以对原始数据,分别使用『对数变换』、『平方根变换』和『box-cox 变换处理』,把分布绘制如下:

from scipy import stats
def analyze_skewness(x):
    fig, ax = plt.subplots(2, 2, figsize=(5,5))
    sns.distplot(customers[x], ax=ax[0,0])
    sns.distplot(np.log(customers[x]), ax=ax[0,1])
    sns.distplot(np.sqrt(customers[x]), ax=ax[1,0])
    sns.distplot(stats.boxcox(customers[x])[0], ax=ax[1,1])
    plt.tight_layout()
    plt.show()
    
    print(customers[x].skew().round(2))
    print(np.log(customers[x]).skew().round(2))
    print(np.sqrt(customers[x]).skew().round(2))
    print(pd.Series(stats.boxcox(customers[x])[0]).skew().round(2))
analyze_skewness('Recency')
analyze_skewness('Frequency')
fig, ax = plt.subplots(1, 2, figsize=(10,3))
sns.distplot(customers['MonetaryValue'], ax=ax[0])
sns.distplot(np.cbrt(customers['MonetaryValue']), ax=ax[1])
plt.show()
print(customers['MonetaryValue'].skew().round(2))
print(np.cbrt(customers['MonetaryValue']).skew().round(2))

根据图像可视化,我们分别对Recency、Frequency、MonetaryValue选择box-cox变换,box-cox变换和三次方根(cbrt)变换。

from scipy import stats
customers_fix = pd.DataFrame()
customers_fix["Recency"] = stats.boxcox(customers['Recency'])[0]
customers_fix["Frequency"] = stats.boxcox(customers['Frequency'])[0]
customers_fix["MonetaryValue"] = pd.Series(np.cbrt(customers['MonetaryValue'])).values
customers_fix.tail()

处理过后的数据是这样的

我们一会儿使用到的模型算法(K-Means 聚类),对于不同字段的幅度大小是敏感的,我们会再做进一步的数据处理,把数据幅度规范化,这里我们可以直接使用 Scikit-Learn 的

# 导入库 
from sklearn.preprocessing import StandardScaler 

# 初始化对象 
scaler = StandardScaler() 

# 拟合和转换数据 
scaler.fit(customers_fix) 
customers_normalized = scaler.transform(customers_fix) 

# 均值为 0,方差为 1 
print(customers_normalized.mean(axis = 0).round(2)) # [0. -0。 0.] 
print(customers_normalized.std(axis = 0).round(2)) # [1. 1. 1.] 

得到结果如下:

💡 建模与分群

数据处理完成,我们可以进一步使用算法模型完成客户分群了,这里我们使用聚类算法 K-Means 来对数据分组。

K-Means 算法是一种无监督学习算法,它通过迭代和聚合来根据数据分布确定数据属于哪个簇。关于 K-Means 的详细知识欢迎大家查看ShowMeAI的教程文章:

实际应用 K-Means 算法是很简单的,我们直接使用 Scikit-Learn 来实现。但是 K-Means 算法中有一个很重要的超参数『簇数k』。下面我们使用『肘点法』来定位最好的超参数:

from sklearn.cluster import KMeans

sse = {}
for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(customers_normalized)
    sse[k] = kmeans.inertia_
    
plt.title('The Elbow Method')plt.xlabel('k')
plt.ylabel('SSE')
sns.pointplot(x=list(sse.keys()), y=list(sse.values()))
plt.show()

这是结果,

根据上图的结果,我们选定 k 取值为 3(因为大于3的k取值下,SSE的结果并不再急剧下降,而是呈现近线性)。我们设定n_clusters为3,再重新聚类:

model = KMeans(n_clusters=3, random_state=42)
model.fit(customers_normalized)
model.labels_.shape

💡 模型解释&业务理解

我们基于聚类结果来对用户群做一些解读和业务理解,这里我们将聚类得到的 3 个 cluster 的聚类中心信息输出,代码如下:

customers["Cluster"] = model.labels_
customers.groupby('Cluster').agg({
    'Recency':'mean',
    'Frequency':'mean',
    'MonetaryValue':['mean', 'count']}).round(2)

结合上述结果,对3类聚类得到的用户群解读如下:

  • 用户群0:频繁消费,消费数额大,且最近有购买行为。可以视作『忠实客户群』。
  • 用户群1: 消费频率较低,消费数额小,但最近有购买行为。可以视作『新客户群』。
  • 用户群2:消费频率较低,消费数额小,上一次购买的时间较早。可以视作『流失客户群』。

参考资料

大数据领域的酒店数据精准营销 在数字化时代,酒店行业面临着前所未有的竞争压力和客户需求多样化挑战。传统营销方式成本高、效率低,难以满足现代消费者的个性化需求。本文旨在探讨如何利用大数据技术实现酒店行业的精准营销,提高客户满意度、增加复购率并优化营销资源分配。酒店数据采集与处理方法客户行为分析与画像构建技术个性化推荐系统实现营销效果评估与优化本文采用理论结合实践的结构,首先介绍基础概念,然后深入技术细节,最后通过实际案例展示应用效果。各章节内容循序渐进,确保读者能够全面理解酒店数据精准营销的完整流程。 阅读详情

相关推荐

客户分析:机器学习有关客户细分和群体预测的案例研究

客户分析:机器学习有关客户细分和群体预测的案例研究

【机器学习算法实战3】产品营销模型之建置及预测(CDA赛题)

一、案例介绍 这是CDA数据分析网站的一个赛题,A公司希望发掘用户购买产品的行为习惯,建立产品精准营销模型,对有意向的客户进行精准营销,增加收入,减少开支。将通过混淆矩阵(Confusion matrix)来评价分类模型的准确率,准确率越高,说明正确预测出响应营销效果越好。 本次实战以官方公布的评分标准accuracy为目标进行参数调优与建模。又探索了在不同成本收益模型下,选择不同的模型评估指标,最终得到最高的潜在盈利预测。 附赛题网址:https://contest.cda.cn/info/id/6. 重

cqx2020的博客 1666

客户细分,使用机器学习:我使用UCI机器学习存储库中的数据集,使用RFM分析对电子商务公司的客户进行了细分。 RFM分析会根据上次购买的近期性,购买频率和每次购买的货币价值对客户进行分类。 我构建了多个机器学习模型并进行了评估,以确定该数据集分割的最有效模型

客户细分使用机器学习 使用UCI机器学习存储库中的数据集,我使用RFM分析对电子商务公司的客户进行了细分。 RFM分析会根据上次购买的近期性,购买频率和每次购买的货币价值对客户进行分类。 我构建了多个机器学习模型,并对每个模型进行了评估,以确定用于对该数据集进行分割的最有效模型。

【机器学习】使用K-Means聚类细分客户

构建在信息技术中的大多数平台都在生成大量数据。这些数据称为大数据,它带有大量的商业智能。这些数据跨越边界以满足不同的目标和机会。有机会应用机器学习为客户创造价值。 问题 我们在会计和物联网领域拥有基于大数据的平台,可以持续生成客户行为和设备监控数据。 识别目标客户群或基于不同维度导出模式是关键,并且确实为平台提供了优势。 理念 想象一下,你有1000个客户使用你的平台和大量不断产生的大数据...

探索世界,改变世界 8625

中兴畅行60 ZTE 7552N 深度改造指南:从解锁BL到Magisk Root与IMEI硬改全流程

本文详细介绍了中兴畅行60(ZTE 7552N)的深度改造全流程,包括解锁BL、刷入Magisk获取Root权限以及IMEI硬改等关键步骤。通过专业的操作指南和实用技巧,帮助用户安全完成设备改造,同时提醒注意法律风险和技术难点。

weixin_33670786的博客 1929

AIGC实战:用ComfyUI和Lora微调打造专属原神角色(含完整工作流)

本文详细介绍了如何利用ComfyUI和Lora微调技术打造专属原神风格角色,涵盖从环境配置、数据集准备到工作流构建和Lora训练的全过程。通过模块化节点设计和高级控制技术,创作者可实现高度个性化的AIGC艺术创作,提升二次元角色生成的效率与质量。

weixin_29185199的博客 355

利用机器学习实现客户细分的实战

Hello大家好,我是Dream。 今天来学习一下机器学习实战中的案例:创建客户细分,在此过程中也会补充很多重要的知识点,欢迎大家一起前来探讨学习~在此项目中,我们使用 UCI 机器学习代码库中的数据集。该数据集包含关于来自多种产品类别的各种客户年度消费额(货币单位计价)的数据。该项目的目标之一是准确地描述与批发商进行交易的不同类型的客户之间的差别。这样可以使分销商清晰地了解如何安排送货服务,以便满足每位客户的需求。对于此项目,我们将忽略特征 'Channel' 和 'Region',重点分析记录六个客户

拥有百余位万粉技术博主、200余位可合作代发博主,私域技术社群规模达千人,商务合作私信 5721

ZYNQ烧写程序到flash

1.打开SDK创建FBSl项目 点击finish 2.创建BootImage 导入fsbl.elf、.bin、.elf三个文件,Create Image 生成BOOT.bin文件 3.将BOOT文件烧录到FLASH image File选择2中生成的BOOT.bin文件,FSBL File选择fsbl.elf文件,连接好ZYNQ的Jtag,点击Program,即可烧录。 4.烧录程序到FLASH失败 如果是第一次烧录,需更改创建的fsbl工程下的main函数,在如下代码处加入BootModeRegi

qq_40603614的博客 8370

机器学习 之 客户分群案例

随着信息爆炸的时代来临。企业的用户量级和个人信息也呈指数型增长。难以管理用户关系难以了解不同用户群的特点竞争市场越来越激烈盲目营销的成本越来越大接下来通过一个真实历史交易数据集,通过LTV(客户生命周期价值)统计分析和聚类的方法分析不同用户群的特点,使得业务能够精准营销,从而降低营销成本。提示:以下是本篇文章正文内容,下面案例可供参考以上的客户分群角度主要是通过用户的历史交易信息RFM进行搭建分析。

你好,今天的你 1869

用《Flappy Bird》游戏带你搞懂强化学习:从Q-learning到DQN的保姆级实战

本文通过《Flappy Bird》游戏实战,详细讲解了从Q-learning到DQN的强化学习技术。从环境搭建、Q表格构建到深度Q网络(DQN)的实现,逐步展示如何训练AI自主玩游戏。文章包含代码示例、训练技巧和性能优化方法,帮助读者深入理解强化学习的核心概念和应用。

weixin_42526415的博客 347

NXP(恩智浦)—TJA1043TK CAN收发器芯片详解

本文章主要讲解NXP(恩智浦)—TJA1043TK CAN收发器的相关知识。

零零刷的博客 2206

超市客户分群与精准营销的机器学习实践

客户分群是零售行业数据驱动的核心环节,通过机器学习算法对消费者行为特征进行聚类分析,能够有效识别高价值客群。基于RFM模型(最近购买时间、购买频率、消费金额)的特征工程构建,结合K-Means++等聚类算法,可实现自动化客户细分。该技术显著提升营销效率,在超市场景中,精准营销的转化率可达传统方式的4-6倍。典型应用包括识别高价值妈妈族、老年实惠型等客群特征,并通过Plotly可视化看板呈现分群结果。项目实践中需特别注意数据清洗(如会员ID合并)和季节性特征处理,最终通过CTR、LTV等指标量化营销效果。

weixin_29178069的博客 250

【WRF-Urban】URBPARM_LCZ.TBL 查找表解释及内容

URBPARM_LCZ.TBL 查找表解释及内容

WW、forever的博客 1754

机器学习在零售客户分群与精准营销中的应用实践

机器学习作为数据挖掘的核心技术,通过算法模型自动发现数据中的潜在规律。在零售行业,基于RFM模型改进的机器学习方法能够有效提升客户分群准确率,从传统方法的60%提升至85%以上。其技术原理是通过特征工程提取购物篮熵值、价格敏感度等业务指标,再结合K-Means等聚类算法实现客户细分。这种方法在促销响应率提升、客单价增长等场景展现显著价值,例如某超市通过精准分群使促销响应率从12%提升到34%。本文详解从数据清洗、特征编码到算法选型的全流程实践,特别分享商品分类映射、动态调参等工程化经验。

weixin_30313409的博客 286

32、运算放大器的工作原理与应用

本文详细介绍了运算放大器的工作原理与多种应用场景,涵盖开环与闭环放大器的基本概念、理想运算放大器的特性及其‘黄金规则’。文章深入解析了反相放大器、同相放大器、单位增益跟随器与反相器的配置和增益计算,并探讨了电压比较器及窗口比较器的工作机制。同时提供了运算放大器在实际应用中的选型流程、使用注意事项以及常见故障排查方法,帮助读者全面掌握运算放大器的设计与应用要点。

u5v6w7的博客 167

YOLOv11涨点改进| SCI一区2026 |独家创新首发、特征融合改进篇|引入FAFM特征对齐融合模块,通过特征对齐和融合两个阶段,助力多模态融合小目标检测,小目标检测,SAR图像目标检测高效涨点

🔥本文提出了一种改进YOLOv11网络模型的方法,通过引入FAFM(特征对齐融合模块)来解决多模态目标检测中的特征空间错位问题。FAFM模块采用可变形卷积和内容引导注意力机制,有效实现了跨模态特征对齐与融合,充分利用了不同模态间的互补信息。该方法在保持模型轻量化的同时,显著提升了目标检测精度和鲁棒性,特别是在复杂背景和模态差异较大的场景下表现突出。文章详细介绍了FAFM模块的结构、原理、优势,并提供了完整的代码实现和模型配置方案,为多模态目标检测任务提供了实用的技术参考。

Ai缝合怪、助力小伙伴高效发论文 269

精准营销化技术客户分群与营销自动化工具

如何从庞杂的信息中精准识别目标客户,并高效触达,成为营销成功的关键。精准营销化技术通过客户分群与营销自动化工具的结合,为企业提供了智能化解决方案。而营销自动化工具则能根据分群结果,自动执行个性化营销策略,显著提升转化率与客户满意度。客户分群是精准营销的基础,其核心在于通过多维数据分析,识别客户的消费行为、偏好及价值。数据闭环让营销策略始终与客户需求同步。精准营销化技术客户分群与营销自动化工具的结合,正在重塑企业营销模式。从精细化分群到自动化执行,从动态优化到跨渠道协同,每一步都为企业带来更高的效率与回报。

qvhozm_952的博客 171

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

RFM 模型实战|Python 实现客户分群,电商 / 运营精准营销指南(含源码)

RFM模型(Recency、Frequency、Monetary)是市场营销和客户关系管理中常用的一种客户分析模型。通过对客户购买行为的深入分析,企业可以更有效地进行客户细分、定制化营销,从而提高客户满意度和企业利润。

weixin_53575943的博客 3903

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

数据驱动的精准营销技术:从客户分群到自动化实践

精准营销技术通过数据分析和自动化工具实现个性化沟通,其核心在于构建完整的数据闭环(Data→Insight→Action→Measurement)。从基础的用户分群方法如RFM模型,到机器学习驱动的聚类算法,技术栈涵盖数据采集、分析引擎、执行系统和评估工具。在工程实现层面,营销自动化系统需要设计高效的触发场景和跨渠道协同方案,同时结合个性化内容生成技术提升转化率。随着数据规模增长,实时数据处理管道和系统性能优化成为关键挑战。精准营销系统通常经历工具化、系统化和智能化三个阶段演进,企业应避免过早追求复杂算法,

weixin_29169505的博客 221

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

精准营销化技术中的客户分群营销自动化与效果评估

精准营销技术通过客户分群、自动化执行和效果评估,帮助企业实现个性化营销,降低成本并提高转化率。本文将围绕客户分群营销自动化与效果评估的核心环节,从数据驱动分群、自动化流程设计、动态优化策略、多维度效果评估四个方面展开分析,为读者提供实用见解。通过营销自动化平台(如HubSpot、Marketo),企业可设置触发条件(如购物车放弃、生日提醒),自动推送个性化内容。企业可通过RFM模型、聚类算法或行为标签划分客户群体,例如高价值客户、潜在流失客户等。客户分群营销自动化与效果评估是精准营销的核心闭环。

wzzorh_357的博客 225

基于机器学习PAI实现精细化营销

精细化营销是企业常用的的一类数据服务,本课程帮助学员了解企业进行精细化营销过程中的数据处理,掌握客户分群的基本应用方法,教会学员如何进行数据整体分析、模型构建以及后期的模型评估和生成评估报告,清楚大数据在企业营销中的作用。 关于机器学习PAI实现精细化营销的详细内容: 机器学习PAI实现精细化营销 (本课程通过一个简单案例了解、掌握企业营销中常见的、也是必需的精准营销数据处理过程,了解机器学...

weixin_40050195的博客 320

聚类算法在零售业中的客户分群应用

本文旨在帮助零售行业从业者和数据分析师理解聚类算法在客户分群中的应用原理和实施方法。内容涵盖从基础理论到实际应用的完整知识链。介绍聚类算法和客户分群的核心概念详细讲解K-means算法原理和实现分析RFM模型在客户分群中的应用提供Python代码实现和案例解析探讨实际应用场景和未来发展趋势聚类算法:将数据集中的对象分组成为多个类或簇的过程,使得同一簇中的对象相似度较高,而不同簇中的对象相似度较低。客户分群:根据客户特征、行为等数据将客户划分为不同群体的过程,用于差异化营销和服务。

AIGC应用创新大全的博客 1188
上一篇: Meta 从大脑活动中解码语音;『代码整洁之道』读书笔记;苏黎世理工『数理统计基础』;3D 物体可视化工具;前沿论文 | ShowMeAI资讯日报
下一篇: 深圳再当特区,引爆AI万亿市场;阿里·TTS语音合成模型;美团·AI数据库异常监测系统;面向后端开发者的CS课程;前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值