Für die meisten Menschen ist es schwierig, die benötigten Informationen direkt aus Rohdaten zu gewinnen. Maschinelles Lernen kann ungeordnete Daten in nützliche Informationen umwandeln. Clustering ist eine unbeaufsichtigte Technik des maschinellen Lernens, bei der ähnliche Objekte in demselben Cluster zusammengefasst werden. Cluster2A kombiniert die beiden beliebtesten Clustering-Algorithmen, K-means und DBSCAN, um Ihnen dabei zu helfen, interessante Muster in den Daten zu entdecken.
Zum Beispiel, Cluster2A eine Clusteranalyse basierend auf dem Kundenverbrauchsverhalten durchführen und Ergebnisse für die Kundensegmentierung bereitstellen. Kundensegmentierung ist die Verwendung spezifischer Merkmale zur Identifizierung und Organisation von Kunden. Diese Merkmale können demografische, verhaltensbezogene / psychologische Merkmale und geografische Lage sein. Durch die Kundensegmentierung können Kunden identifiziert und Produkte und Dienstleistungen bereitgestellt werden, die auf ihre Bedürfnisse zugeschnitten sind. Diese Personalisierung verschafft Ihnen einen Wettbewerbsvorteil, erhöht die Kundenkonversionsraten und die Markentreue.
K-means Modell:
Für den K-means-Algorithmus muss die Anzahl der Cluster angegeben werden. Das Hauptziel besteht darin, einen repräsentativen Datenpunkt (Schwerpunkt genannt) in einer großen Menge hochdimensionaler Daten zu finden und dann jeden Datenpunkt dem nächsten Schwerpunkt zuzuweisen.
DBSCAN Modell:
Im Gegensatz zu K-means muss DBSCAN nicht die Anzahl der zu generierenden Cluster angeben. Der DBSCAN-Algorithmus verarbeitet Datenpunkte basierend auf der Dichte, wobei er hauptsächlich ausreichend dichte Punkte im Merkmalsraum in denselben Cluster aufteilt und Ausreißer identifizieren kann, die keinem Cluster angehören, was sehr gut geeignet ist, Ausreißer zu erkennen.
Wachstumsdatentyp:
Sie können Zeitreihendaten mit 12 Perioden, 24 Perioden und 36 Perioden für die Analyse auswählen.
Die am häufigsten verwendeten Daten umfassen monatliche Materialeinkaufspreise, monatliche Produktverkäufe, monatliche Kundenkäufe und das jährliche Betriebseinkommen des Unternehmens.
Sie können beispielsweise eine Clusteranalyse basierend auf den monatlichen Kaufdaten von VIP-Kunden durchführen. Cluster2A berechnet automatisch die Kaufwachstumsrate, die Kaufvolatilität und die Wachstumsrate pro Volatilitätseinheit jedes Kunden und gibt Clustering-Empfehlungen ab.
Merkmalsdatentyp:
Sie können 2 bis 10 Merkmale für die Analyse auswählen.
Die am häufigsten verwendeten Merkmale sind: Demografie: Zum Beispiel Alter, Geschlecht, Einkommen, Bildung, Nationalität und Familiengröße. Verhalten / Psychologie: Zum Beispiel Konsumstil (RFM-Modell) und Persönlichkeitstyp (DISC-Modell). Geographie: Zum Beispiel Land, Region und Stadt. Statistik / Finanzen: Zum Beispiel Mittelwert, Standardabweichung, Sharpe-Verhältnis, β, α und R-Quadrat.
Zum Beispiel können Sie eine Clusteranalyse basierend auf den drei Kaufmerkmalen des Kunden RFM (Recency, Frequency, Monetary) durchführen.