聚類2A

對於大多數人來說，很難直接從原始數據中獲取他們需要的信息。機器學習可以將無序的數據轉化為有用的信息。聚類是一種無監督的機器學習技術，它將相似的對象分組到同一個聚類中。聚類2A 結合了兩種最流行的聚類算法 K-means 和 DBSCAN，以幫助您發現數據中有趣的模式。
例如，聚類2A 可以基於客戶消費行為執行聚類分析，並為客戶細分提供結果。客戶細分是利用特定特徵來識別和組織客戶。這些特徵可以是人口統計，行為/心理特徵和地理位置。客戶細分可以識別客戶並提供適合他們需求的產品和服務。這種個性化將為您提供競爭優勢，提高客戶轉化率和品牌忠誠度。
K-means 模型:
K-means 算法要求指定聚類的數量。其主要目標是在大量高維數據中找到有代表性的數據點 (稱為質心)，然後為每個數據點分配到最近的質心。
DBSCAN 模型:
與 K-means 不同，DBSCAN 不需要指定要生成的聚類數。DBSCAN 算法基於密度處理數據點，主要是將特徵空間中足夠密集的點劃分為同一聚類，並且可以識別不屬於任何聚類的離群值，這非常適合檢測離群值。
增長數據類型:
您可以選擇 12 個週期、24 個週期、36 個週期的時間序列數據進行分析。
最常用的數據是月材料採購價格、月產品銷售額、月客戶採購量和公司年營業收入。
例如，您可以根據VIP客戶的每月購買數據執行聚類分析。聚類2A 將自動計算每個客戶的購買增長率、購買波動率和每單位波動率的增長率，並提出聚類建議。
特徵數據類型:
您可以選擇 2 到 10 個特徵進行分析。
最常用的特徵如下: 人口統計: 例如，年齡、性別、收入、教育程度、國籍和家庭人數。行為/心理: 例如，消費方式 (RFM模型) 和性格類型 (DISC模型)。地理: 例如，國家、地區和城市。統計/財務: 例如，平均值、標準差、夏普比率、β、α 和 R平方。
例如，您可以根據客戶的三個購買特徵 RFM (Recency, Frequency, Monetary) 執行聚類分析。