Para la mayoría de las personas, es difícil obtener la información que necesitan directamente de los datos sin procesar. El aprendizaje automático puede transformar datos desordenados en información útil. Clustering es una técnica de aprendizaje de la máquina sin supervisión que agrupa objetos similares en el mismo cluster. Cluster2A combina los dos algoritmos de agrupamiento más populares, K-means y DBSCAN, para ayudarlo a descubrir patrones interesantes en los datos.
Por ejemplo, Cluster2A puede realizar análisis de clusters en función del comportamiento de consumo del cliente y proporcionar resultados para la segmentación de clientes. La segmentación de clientes es el uso de características específicas para identificar y organizar a los clientes. Estas características pueden ser características demográficas, conductuales / psicológicas y ubicación geográfica. La segmentación de clientes puede identificar a los clientes y proporcionar productos y servicios adaptados a sus necesidades. Esta personalización le proporcionará una ventaja competitiva, aumentará las tasas de conversión de los clientes y la fidelidad a la marca.
Modelo K-means:
El algoritmo de K-menas requiere que se especifique el número de clusters. El objetivo principal es encontrar un punto de datos representativa (lamado centroide) en una gran cantidad de datos de alta dimensión, y luego asignar a cada punto de datos al centroide más cercano.
Modelo DBSCAN:
A diferencia de K-means, DBSCAN no necesita especificar el número de clusters que se generarán. El algoritmo procesa DBSCAN puntos de datos basándose en la densidad, dividiendo principalmente puntos suficientemente densa en el espacio de características en el mismo grupo, y puede identificar los valores atípicos que no pertenecen a ningún grupo, que es muy adecuado para la detección de valores atípicos.
Tipo de datos de crecimiento:
Puede seleccionar datos de series de tiempo con 12 períodos, 24 períodos y 36 períodos para el análisis.
Los datos más comúnmente utilizados son los precios mensuales de material de compra, las ventas mensuales de productos, compras mensuales de clientes, y los ingresos anuales de operación de la empresa.
Por ejemplo, puede realizar un análisis de cluster basado en los datos de compra mensual de los clientes VIP. Cluster2A calculará automáticamente la tasa de crecimiento de compra de cada cliente, la volatilidad de compra y la tasa de crecimiento por unidad de volatilidad, y hará recomendaciones de clustering.
Tipo de datos de característica:
Puede seleccionar de 2 a 10 características para el análisis.
Las características más utilizadas son las siguientes: Demografía: por ejemplo, edad, sexo, ingresos, educación, nacionalidad y tamaño de la familia. Comportamiento / Psicología: por ejemplo, estilo de consumo (modelo RFM) y tipo de personalidad (modelo DISC). Geografía: por ejemplo, país, región y ciudad. Estadísticas / Finanzas: por ejemplo, media, desviación estándar, relación de Sharpe, β, α y R-cuadrado.
Por ejemplo, puede realizar un análisis de clusters basado en las tres características de compra de los clientes, RFM (Recency, Frequency, Monetary).