客户细分:机器学习如何让营销变得智能

6.分钟阅读

由Mona Eslamijam.

机器学习客户细分

本文是“解构人工智能www.yabovip4,这一系列文章探讨了人工智能应用程序如何工作的细节。

营销团队必须解决的关键挑战之一是以最大限度地减少“每次收购成本”(CPA)并增加投资回报的方式分配资源。这是通过分段,基于其行为或特征将客户分成不同组的过程。

客户细分可以帮助减少营销活动中的浪费。如果您知道哪些客户相似彼此,您将更好地定位在合适的人群中定位您的竞选活动。

客户细分也可以帮助其他营销任务,如产品建议,定价和上销售策略。

客户分割以前是一个具有挑战性和耗时的任务,这需要几个小时手动对不同的表格进行困扰并查询数据,希望找到将客户组合在一起的方法。但近年来,它已经变得更加容易机器学习,在www.yabovip4数据中找到统计规则的人工智能算法。机器学习模型可以处理客户数据并发现各种功能的重复模式。在许多情况下,机器学习算法可以帮助营销分析师找到客户群,通过直觉和手动检查数据非常难以解决。

客户分割是人工智能和人类直觉的组合如何创造出大于其部件总和的完美示例。www.yabovip4

K-means聚类算法

k - means聚类
K-means聚类是一种机器学习算法,它将未标记的数据点排列在特定数量的聚类周围。

机器学习算法有不同的风格,每种都适合特定类型的任务。k-means聚类是方便客户细分的算法之一。

k-means聚类是一个无监督机器学习算法。无监督的算法没有地面真理值或标记数据以评估其性能。K-Means群集后面的想法非常简单:将数据安排到更相似的集群中。

例如,如果您的客户数据包括年龄,收入和支出得分,则配置良好的K-Mease Models可以帮助将客户划分为其属性更靠近在一起的小组。在这种环境中,通过计算客户的年龄,收入和支出分数之间的差异来衡量集群之间的相似性。

在训练k-means模型时,需要指定希望将数据划分为多少个集群。该模型从随机放置的质心开始,这些质心是决定每个星团中心的变量。该模型对训练数据进行遍历,并将其分配到质心更接近的聚类中。一旦对所有训练实例进行分类,质心的参数将重新调整为位于其集群的中心。同样的过程重复进行,训练实例被重新分配到微调的质心,质心根据数据点的重新排列重新调整。在某一点上,模型收敛,迭代数据不会导致训练实例切换集群和质心改变参数。

确定正确数量的客户段

成功使用K-Means机器学习算法的一个键是确定群集的数量。虽然模型将收敛于您提供的任何数量的群集,而不是每个配置都适合。在某些情况下,数据的快速可视化可以揭示模型应包含的群集群数。例如,在下面的图像中,训练数据具有两个特征(x1和x2),并在散点图上映射它们显示五个易于识别的群集。

当您的问题具有三个特征(如x1, x2, x3)时,您的数据可以在3D空间中可视化,在3D空间中很难发现集群。除了三个特征,在一个图像中可视化所有特征是不可能的,你需要使用其他技巧,如使用一个散点图矩阵可视化不同特征对的相关性。

散点图矩阵
散点图矩阵可视化不同成对的特征之间的相关性。在此示例中,问题空间由四个功能组成。

可以帮助聚类数据的另一个技巧是降维,机器学习技术,检查数据点的相关性,并去除虚假或包含较少信息的特征。维数减少可以简化问题空间,使数据可视化和发现集群机会变得更容易。

但在许多情况下,即使使用上述技术,群集的数量也不明显。在这些情况下,您必须尝试不同数量的群集,直到找到最佳的群集。

但是如何找到最佳配置?K-means模型可以通过它们进行比较惯性,它是集群中的实例与其质心之间的平均距离。一般来说,具有较低惯性的模型更加一致。

但单独的惯性不足以评估机器学习模型的性能。增加集群的数量将始终减少实例与群集质心之间的距离。当每个单个实例成为自己的群集时,惯性将掉到零。但是,您不希望拥有一个机器学习模型,每个客户分配一个集群。

一个有效的技术找到最佳群集的技术是肘部方法,在您逐步增加机器学习模型,直到找到添加更多群集不会导致惯性滴滴的点。这被称为弯头机器学习模型。例如,在以下图像中,弯头处于四个集群。添加更多的群集,将导致效率低下的机器学习模型。

K-means聚类肘形法
弯头方法通过比较添加群集与惯性的减少,通过比较来找到K-Means机器学习模型的最有效配置。

将K-means聚类和客户段使用使用

培训后,您的机器学习模型可以通过测量它们与每个集中质心的距离来确定新客户所属的段。有很多方法可以使用它来使用。

例如,当你得到一个新客户时,你会想给他们提供产品推荐。您的机器学习模型将帮助您确定您的客户细分市场和最常见的产品与该细分市场。

在产品营销中,你的聚类算法将有助于调整你的营销活动。例如,你可以用属于不同细分市场的随机客户样本开始一项广告活动。在运行了一段时间后,你可以检查哪些细分市场的响应性更强,并优化你的营销活动,只向这些细分市场的成员展示广告。或者,您可以运行多个版本的活动,并使用机器学习根据客户对不同活动的反应来对他们进行分类。一般来说,你将拥有更多工具去测试和调整你的广告活动。

合奏学习

K-Means Clustering是一种快速高效的机器学习算法。但它不是一个魔杖,它将很快将数据变为逻辑客户群。您必须首先定义营销活动的设置和与他们相关的功能。例如,如果您的广告系列将针对特定的语句定位,那么地理位置将不是一个相关的功能,并且您最好更好地过滤您的数据的数据。同样,如果您将促销男性的健康产品,那么您应该将您的客户数据过滤到仅包含男性,并避免将性别作为计算机学习模型的功能之一。

在某些情况下,您可能希望包含额外的信息,例如他们过去购买的产品。在本例中,您将需要创建客户 - 产品矩阵,其中客户为行,商品为列,每个客户和商品的交集处购买的商品数量。如果产品的数量太多,您可能会考虑创建一个嵌入,其中产品被称为多维矢量空间中的值。

总的来说,机器学习是营销和客户细分的一个非常有效的工具。可能不会很快替代人类判断和直觉,但它可以帮助增加人类努力以前不可能的水平。

关于作者

Mona Eslamijam是德克萨斯大学达拉斯分校(University of Texas at Dallas)的商业分析硕士毕业生。

发表评论

这个网站使用Akismet来减少垃圾邮件。了解如何处理评论数据