精准营销！用机器学习完成客户分群！

💡 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。

• 图解数据分析：从入门到精通系列教程

• 数据科学工具库速查表 | Pandas 速查表

• 数据科学工具库速查表 | Seaborn 速查表

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)
1
2
3
4
5
6
7
8
9
10
11

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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

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。

• 机器学习实战 | 机器学习特征工程最全解读

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()
1
2
3
4
5
6

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')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

analyze_skewness('Frequency')
1

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))
1
2
3
4
5
6

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()
1
2
3
4
5
6

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.] 
1
2
3
4
5
6
7
8
9
10
11
12
13

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：

• 图解机器学习 | 聚类算法详解

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()
1
2
3
4
5
6
7
8
9
10
11
12

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
1
2
3

💡 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)
1
2
3
4
5

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

• 📚 Daqing C., Sai L.S, and Kun G. Data mining for the online retail industry: A case study of RFM model-based customer segmentation using data mining (2012), Journal of Database Marketing and Customer Strategy Management.
• 📚 Millman K. J, Aivazis M. Python for Scientists and Engineers (2011), Computing in Science & Engineering.
• 📚 Radečić D. Top 3 Methods for Handling Skewed Data (2020), Towards Data Science.
• 📚 Elbow Method for optimal value of k in KMeans, Geeks For Geeks.
• 📘 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/33
• 📘 数据科学工具库速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
• 📘 数据科学工具库速查表 | Seaborn 速查表：https://www.showmeai.tech/article-detail/105
• 📘 机器学习实战 | 机器学习特征工程最全解读：https://www.showmeai.tech/article-detail/208
• 📘 图解机器学习 | 聚类算法详解：https://www.showmeai.tech/article-detail/197