ほとんどの人にとって、必要な情報を生データから直接取得することは困難です。機械学習は、無秩序なデータを有用な情報に変換できます。クラスタリングは、類似したオブジェクトを同じクラスターにグループ化する教師なし機械学習手法です。クラスタ2Aは、最も一般的な2つのクラスタリングアルゴリズムであるK-meansとDBSCANを組み合わせて、データ内の興味深いパターンを発見するのに役立ちます。
たとえば、クラスタ2Aは、顧客の消費行動に基づいてクラスター分析を実行し、顧客のセグメンテーションの結果を提供できます。顧客セグメンテーションとは、特定の特性を使用して顧客を識別および整理することです。これらの特性は、人口統計学的、行動的/心理的特性、および地理的位置である可能性があります。顧客セグメンテーションは、顧客を識別し、顧客のニーズに合わせた製品とサービスを提供できます。このパーソナライズにより、競争上の優位性がもたらされ、顧客のコンバージョン率とブランドロイヤルティが向上します。
K-means モデル:
K-means アルゴリズムでは、クラスターの数を指定する必要があります。主な目的は、大量の高次元データから代表的なデータ ポイント (重心と呼ばれる) を見つけ、各データ ポイントを最も近い重心に割り当てることです。
DBSCAN モデル:
K-meansとは異なり、DBSCANは生成されるクラスターの数を指定する必要はありません。DBSCANアルゴリズムは、密度に基づいてデータポイントを処理し、主に特徴空間内の十分に密度の高いポイントを同じクラスターに分割し、どのクラスターにも属さない外れ値を識別できます。これは、外れ値の検出に非常に適しています。
成長データ型:
分析には、12期間、24期間、および36期間の時系列データを選択できます。
最も一般的に使用されるデータは、毎月の材料購入価格、毎月の製品販売、毎月の顧客購入、および会社の年間営業利益です。
たとえば、VIP顧客の毎月の購入データに基づいてクラスター分析を実行できます。クラスタ2Aは、各顧客の購入成長率、購入ボラティリティ、およびボラティリティの単位あたりの成長率を自動的に計算し、クラスタリングの推奨事項を作成します。
特徴データ型:
分析用に2〜10個の特性を選択できます。
最も一般的に使用される特性は次のとおりです。人口統計：たとえば、年齢、性別、収入、教育、国籍、家族の規模。行動/心理学：たとえば、消費スタイル（RFMモデル）や性格タイプ（DISCモデル）。地理：たとえば、国、地域、都市。統計/財務：たとえば、平均、標準偏差、シャープレシオ、β、α、決定係数。
たとえば、顧客の3つの購買特性であるRFM（Recency, Frequency, Monetary）に基づいてクラスター分析を実行できます。