电商潜在客户识别

前言

1、潜在客户识别概述

如今，识别潜在客户是非常关键的，这样才能有更多的数据驱动策略来目标客户。因此，在客户智能领域，客户细分是一个核心应用程序，其中人们根据不同的属性（可能是购买习惯或行为习惯）进行聚类。

它是无监督学习的一个应用，机器学习模型试图将相似的数据点聚集在一起，使得簇内距离最小，簇间距离最大。

在这里，我使用的数据集包含了人们在商场的购买属性。数据集很简单，有5个特征，即客户ID、年龄、性别、信用评分和收入。

2、分析目标

在精准营销中，我们不仅要聚焦核心用户的需求，为我们的核心用户提供好的产品和服务，还需要聚焦潜在用户的挖掘以及强关联用户向核心用户的转化，这样可以实现销售规模进一步扩大。我们的目标就是识别出潜在的用户，为后续潜在用户的深入分析奠定基础，以设计专门针对该类人群的活动，开拓该类人群聚集的广告投放渠道，或者加强覆盖该类人群渠道的营销力度等。

因此，我们需要从200条电商交易数据集中识别出目标用户和潜在用户。这对我们企业进一步实现精准营销落地有很大的价值和意义。

一、数据准备与数据预处理

1、导入包和库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeans
from sklearn.cluster import DBSCAN
# 自定义可视化样式
sns.set_palette("Reds")
sns.set(style="white", color_codes=True)
plt.style.use('seaborn')
mycmap = plt.get_cmap('gnuplot2')
plt.style.context('dark_background')
# 忽略警告
import warnings
warnings.filterwarnings("ignore")

2、读取数据

df = pd.read_csv('Mall_Customers.csv')
df.head()

	CustomerID	Gender	Age	Annual Income (k$)	Spending Score (1-100)
0	1	Male	19	15	39
1	2	Male	21	15	81
2	3	Female	20	16	6
3	4	Female	23	16	77
4	5	Female	31	17	40

3、查看空值情况

df.isna().sum()

CustomerID                0
Gender                    0
Age                       0
Annual Income (k$)        0
Spending Score (1-100)    0
dtype: int64

二、数据探索

1、查看数据集是否平衡

print(df["Gender"].value_counts())
sns.countplot(x= df['Gender'])

Female    112
Male       88
Name: Gender, dtype: int64

<AxesSubplot:xlabel='Gender', ylabel='count'>

数据集基本是平衡的，因为男性和女差距并不大。

2、显示各种特征排列的成对图

sns.pairplot(df)

<seaborn.axisgrid.PairGrid at 0x7fc244fcc0d0>

最后一行可以比较清楚的展示出来数据的分群

3、查看特征间的核密度

（1）消费分数和年龄的核密度图

g = sns.jointplot(x = df['Age'], y = df['Spending Score (1-100)'], 
                  kind="kde",thresh=0,shade=True,height=7, space=0,cmap= mycmap,color = "b")

​

如果你仔细观察这幅图，那么，你会发现核心区域密度非常高。也许，在不同的年龄段有两种不同的消费习惯。

（2）支出得分与年收入的核密度图

g = sns.jointplot(x = df['Annual Income (k$)'], y = df['Spending Score (1-100)'], 
                  kind="kde",thresh=0,shade=True,height=7, space=0,cmap= mycmap,color = "b")

​

这里，在年收入与支出分数之间，有一个密度非常高的区域在中间。以及其他四个用户显示不同模式的区域。这可能是因为顾客的购买力不同，消费习惯也不同。观察结果中可以破译的五组是：

• 低收入和高消费习惯

• 低收入和低消费习惯

• 中等收入和中等消费习惯

• 高收入和高消费习惯

• 高收入低消费习惯

（3）年收入和年龄的核密度图

g = sns.jointplot(x = df['Annual Income (k$)'], y = df['Age'], 
                  kind="kde",thresh=0,shade=True,height=7, space=0,cmap= mycmap,color = "b")

30多岁的人平均收入约为8万美元

如果我们比较一下年收入超过10万的人，就会发现男性在30岁出头时的收入超过10万，而女性则在40岁左右，这也许是由于男女之间的收入差距。

sns.relplot(x="Age", y="Annual Income (k$)", hue="Gender",
            sizes=(40, 400), alpha=.5, palette="muted",
            height=6, data=df)

<seaborn.axisgrid.FacetGrid at 0x7fc2466bd940>

​

4、深入探索性别与各特征间的关系

（1）编码性别(0-1)

df['Gender']= df['Gender'].map({'Male':1,'Female':0})

（2）不同性别消费得分的方框图

ax = sns.boxplot(x="Gender", y="Spending Score (1-100)", hue="Gender",  data=df, palette="Set3")

​

女性的平均消费得分略高于男性。（男性->1和女性->0）

（3）男女年收入

sns.catplot(x="Gender", y="Annual Income (k$)", hue="Gender",
            kind="violin", split=False, data=df,palette='inferno')

<seaborn.axisgrid.FacetGrid at 0x7fc246aaa280>

注意图中的凸起部分，它显示了平均值。因此，男性的平均收入低于女性。

5、查看特征分布

（1）用户年龄分布

根据我们的数据，大多数人都不到45岁。

sns.distplot(df['Age'],kde=True,rug = True,color = "r" )

<AxesSubplot:xlabel='Age', ylabel='Density'>

​

（2）支出得分分布

sns.distplot(df['Spending Score (1-100)'], hist=True, rug=True,color ="r")

<AxesSubplot:xlabel='Spending Score (1-100)', ylabel='Density'>

​

对于大多数客户来说，消费得分中心在40到60分之间。

6、特征相关性分析

sns.heatmap(df.corr(), annot=True,cmap='inferno_r')

<AxesSubplot:>

年收入与性别呈正相关。而且，年收入与支出得分呈正相关！

三、基于Kmeans的客户细分

1、Kmeans简介

Kmeans算法：

• 是一种迭代算法，它试图将数据集划分为Kpre定义的不同的非重叠子组（簇），其中每个数据点只属于一个组。

• 它试图使集群内的数据点尽可能相似，同时也尽可能保持集群的不同（远）。

• 它将数据点分配给一个簇，使得数据点和簇形心之间的平方距离之和（属于该簇的所有数据点的算术平均值）最小。

• 我们在簇内的变化越小，数据点在同一簇内的同质性（相似性）就越高。

from sklearn.cluster import KMeans

可以使用StandardScaler来缩放特性，但是在这个数据集中不需要它，因为值已经在相同的范围内。

2、构建Kmeans聚类模型

（1）使用sklearn的Kmeans方法

def kmeans(X, n_clusters):
    #ss = StandardScaler()
    #X = ss.fit_transform(X)
    km = KMeans(n_clusters=n_clusters)
    km.fit(X)
    y_pred = km.predict(X)
    return y_pred


def plot_clusters(algo_name, y_pred, x_label,y_label):
    plt.scatter(X[:,0], X[:,1],c=y_pred,cmap='Paired')
    plt.title(algo_name)
    plt.xlabel(x_label)
    plt.ylabel(y_label)

（2）在Kmeans中找到“K”的正确值：

在选择k值时，传统方法中使用肘部图较多，可以选择下降最快的转折点为最佳k值，但是有时候，有些时没有明确的转折点，我们只能选择其他可行的方法。另外一个健壮的方法是使用轮廓分数，选择轮廓最大的点可以帮助我们确定最佳k值。

轮廓系数

1、使用每个样本的平均簇内距离（a）和平均最近簇距离（b）计算轮廓系数。样本的轮廓系数为
(b - a) / max(a, b)

2、请注意，仅当标签数为：2 <= n_labels <= n_samples - 1时，b是样本与样本不属于的最近簇之间的距离。

X=df.iloc[:,3:].to_numpy()

silhouette_scores ={}
for k in range(2,10):
    y_pred = kmeans(X,k)
    silhouette_scores[k]= silhouette_score(X,y_pred)

silhouette_scores

{2: 0.2968969162503008,
 3: 0.46761358158775435,
 4: 0.4931963109249047,
 5: 0.553931997444648,
 6: 0.5379675585622219,
 7: 0.5281944387251989,
 8: 0.4558493609925033,
 9: 0.461684164916706}

由于K=5时轮廓得分最大，所以最好将数据分为5个子组

（3）当k=5时聚类的结果

y_pred= kmeans(X,5)
plot_clusters("KMeans",y_pred,"Annual Income(k$)","Spending Score")

​

根据上述的客户细分，我们可以制定具体的营销策略，以便将产品销售给目标受众，例如：

• 黄色点的客户的年收入比较高。然而，他们他们消费并不高。也许这类用户并不是吝啬鬼，而是因为这类用户并不是我们产品的忠实用户。这类用户我们称其为潜在客户，我们在精准营销工作中，就有一部分工作是将潜在用户转化为强相关用户或核心用户，以及将强相关用户转化为核心用户。这类用户恰巧是我们需要聚焦的“潜在用户群体-目标群体”转化群体，我们不得不投入更多的努力让这类用户更多的为我们的产品买单。
• 绿色点的人群是每个销售人员都想瞄准的目标客户，因为他们不仅有极强的消费能力，还有极强的消费欲望。
• 棕色人群是那些非常依赖信用卡的人，他们的收入很低，但却挥霍无度，因此称为拖欠还款的几率更高。