대부분의 사람들은 원시 데이터에서 직접 필요한 정보를 얻기가 어렵습니다. 기계 학습은 무질서한 데이터를 유용한 정보로 변환할 수 있습니다. 클러스터링은 유사한 객체를 동일한 클러스터로 그룹화하는 비지도 머신 러닝 기술입니다. 클러스터2A는 가장 널리 사용되는 두 가지 클러스터링 알고리즘 인 K-means 및 DBSCAN을 결합하여 데이터에서 흥미로운 패턴을 발견하는 데 도움을줍니다.
예를 들어 클러스터2A는 고객 소비 행동을 기반으로 클러스터 분석을 수행하고 고객 세분화에 대한 결과를 제공 할 수 있습니다. 고객 세분화는 특정 특성을 사용하여 고객을 식별하고 구성하는 것입니다. 이러한 특성은 인구 학적, 행동 / 심리학 적 특성 및 지리적 위치 일 수 있습니다. 고객 세분화는 고객을 식별하고 고객의 요구에 맞는 제품과 서비스를 제공 할 수 있습니다. 이 개인화는 경쟁 우위를 제공하고 고객 전환율과 브랜드 충성도를 높입니다.
K-means 모형:
K-means 알고리즘을 사용하려면 클러스터 수를 지정해야합니다. 주요 목표는 많은 양의 고차원 데이터에서 대표 데이터 포인트 (중심이라고 함)를 찾은 다음 각 데이터 포인트를 가장 가까운 중심에 할당하는 것입니다.
DBSCAN 모형:
K-means와 달리 DBSCAN은 생성할 클러스터의 수를 지정할 필요가 없습니다. DBSCAN 알고리즘은 밀도를 기반으로 데이터 포인트를 처리하며 주로 특징 공간에서 충분히 밀집된 포인트를 하나의 클러스터로 분할하고 클러스터에 속하지 않는 이상값을 식별할 수 있어 이상값 감지에 매우 적합합니다.
성장 데이터 유형:
12개 기간, 24개 기간, 36개 기간의 시계열 데이터를 선택하여 분석할 수 있습니다.
가장 일반적으로 사용되는 데이터는 월별 자재 구매가, 월별 제품 판매, 월별 고객 구매 및 회사의 연간 영업 이익입니다.
예를 들어 VIP 고객의 월별 구매 데이터를 기반으로 클러스터 분석을 수행 할 수 있습니다. 클러스터2A는 각 고객의 구매 증가율, 구매 변동성 및 변동성 단위당 증가율을 자동으로 계산하고 클러스터링 권장 사항을 작성합니다.
특성 데이터 유형:
분석을 위해 2~10개의 특성을 선택할 수 있습니다.
가장 일반적으로 사용되는 특성은 다음과 같습니다. 인구 통계 : 예를 들어 연령, 성별, 소득, 학력, 국적 및 가족 규모. 행동 / 심리 : 예를 들어 소비 스타일 (RFM 모델) 및 성격 유형 (DISC 모델). 지역 : 예 : 국가, 지역 및 도시. 통계 / 재정 : 예를 들어 평균, 표준 편차, 샤프 비율, β, α 및 R- 제곱.
예를 들어 고객의 세 가지 구매 특성 인 RFM (Recency, Frequency, Monetary)을 기반으로 클러스터 분석을 수행 할 수 있습니다.