Per la maggior parte delle persone è difficile ottenere le informazioni di cui hanno bisogno direttamente dai dati grezzi. Lapprendimento automatico può trasformare i dati disordinati in informazioni utili. Il clustering è una tecnica di apprendimento automatico senza supervisione che raggruppa oggetti simili nello stesso cluster. Cluster2A combina i due algoritmi di clustering più popolari, K-means e DBSCAN, per aiutarti a scoprire modelli interessanti nei dati.
Ad esempio, Cluster2A può eseguire analisi di cluster in base al comportamento di consumo dei clienti e fornire risultati per la segmentazione dei clienti. La segmentazione dei clienti è luso di caratteristiche specifiche per identificare e organizzare i clienti. Queste caratteristiche possono essere caratteristiche demografiche, comportamentali/psicologiche e posizione geografica. La segmentazione dei clienti può identificare i clienti e fornire prodotti e servizi su misura per le loro esigenze. Questa personalizzazione ti fornirà un vantaggio competitivo, aumenterà i tassi di conversione dei clienti e la fedeltà al marchio.
Modello K-means:
Lalgoritmo K-means richiede che sia specificato il numero di cluster. Lobiettivo principale è trovare un punto dati rappresentativo (chiamato centroide) in una grande quantità di dati ad alta dimensione e quindi assegnare ciascun punto dati al centroide più vicino.
Modello DBSCAN:
A differenza di K-means, DBSCAN non ha bisogno di specificare il numero di cluster da generare. Lalgoritmo DBSCAN elabora i punti dati in base alla densità, dividendo principalmente punti sufficientemente densi nello spazio delle caratteristiche nello stesso cluster e può identificare i valori anomali che non appartengono a nessun cluster, il che è molto adatto per rilevare i valori anomali.
Tipo di dati sulla crescita:
È possibile selezionare dati di serie temporali con 12 periodi, 24 periodi e 36 periodi per l’analisi.
I dati più comunemente utilizzati sono i prezzi di acquisto dei materiali mensili, le vendite mensili dei prodotti, gli acquisti mensili dei clienti e il reddito operativo annuale dellazienda.
Ad esempio, è possibile eseguire lanalisi dei cluster in base ai dati di acquisto mensili dei clienti VIP. Cluster2A calcolerà automaticamente il tasso di crescita di acquisto, la volatilità di acquisto di ogni cliente e il tasso di crescita per unità di volatilità, e formulare raccomandazioni di clustering.
Tipo di dati della caratteristica:
È possibile selezionare da 2 a 10 caratteristiche per l’analisi.
Le caratteristiche più comunemente utilizzate sono le seguenti: Dati demografici: ad esempio, età, sesso, reddito, istruzione, nazionalità e dimensione della famiglia. Comportamento / psicologia: ad esempio, stile di consumo (modello RFM) e tipo di personalità (modello DISC). Geografia: ad esempio, paese, regione e città. Statistiche / Finanza: ad esempio, media, deviazione standard, indice di Sharpe, β, α e R quadrato.
Ad esempio, è possibile eseguire lanalisi dei cluster in base alle tre caratteristiche di acquisto dei clienti, RFM (Recency, Frequency, Monetary).