R 零售业中的客户细分

我有一个大型的“住宅和建筑”零售销售数据库。 我需要知道谁是店里的电工、水管工、油漆工等等

我的第一种方法是选择与专业相关的文章（例如，电线[文章]与电工[专业]相关），然后根据客户销售情况，了解客户是谁

但这是一个很大的工作

我的第二种方法是首先进行集群分割，然后发现哪个集群属于某个专业。（这会更好，因为我可以发现新的细分市场）

但是，我该怎么做呢？我应该使用什么类型的集群？模糊的？我应该对该模型采取哪些变量？我应该使用PCA来知道要搜索多少个集群吗

我的数据的标题（简化）：

任何帮助都将不胜感激

---

（对不起，我的英语）

您想根据客户的购买情况确定客户类别（我想这是出于营销原因）。这就需要一种集群方法。我会告诉你整个设置过程

聚类空间 让我们先考虑一下你的集群：要么是订单要么是客户。在任何一种情况下，您描述项目的方式以及项目之间的距离都是相同的。我将首先讨论订单的基本情况，然后解释适用于客户集群的注意事项

出于您的目的，订单的特征是购买了哪些物品，可能还包括购买了多少物品。对于空间，这意味着每种类型的文章都有一个维度（

item\u article\u id

），例如“wire”维度。如果您只关心是否购买了一件物品，那么每个物品在每个维度中的坐标为0或1。如果某些顺序包括导线但不包括管道，则“导线”标注上的值为1，“管道”标注上的值为0

然而，关心数量是有道理的。也许水管工买很多胶水，而电工只买少量。在这种情况下，您可以将每个维度中的坐标设置为相应物品的数量（大概是

物品数量

）。因此，假设您有三篇文章，电线、管道和胶水，那么由向量描述的顺序（2,3,0）包括2根电线、3根管道和0个胶水，而由向量（0,1,4）描述的顺序包括0根电线、1根管道和4个胶水

如果给定物品的数量分布较大，即如果某些物品的数量级比其他物品的数量级多，则使用对数标尺可能会有所帮助。假设您有以下四个订单：

2根电线，2根管子，1根胶水

3线，2管，0胶

0线，100管，1胶

0线，300管，3胶

前两份订单看起来可能属于电工，后两份订单看起来属于水管工。然而，如果你使用线性比例，第3阶将更接近第1阶和第2阶，而不是第4阶。我们通过对编码这些顺序的向量使用对数标度来修正这一点（我在这里使用以10为底的对数，但采用哪一个底并不重要，因为它们只在常数因子上不同）：

（0.30,0.30,0）

（0.48,0.30，-2）

（-2,2,0）

（-2,2.48,0.48）

正如我们所预期的，3号订单与4号订单最接近。注意，我使用-2作为一个特殊值来表示没有文章，因为没有定义0的对数（

log（x）

趋向于负无穷大，因为

x

趋向于0）-2意味着我们假装订单包含了物品的百分之一；你可以使这个特殊值或多或少极端化，这取决于你想对一篇文章没有包括在内的事实给予多少重视

聚类算法的输入（无论采用哪种算法，见下文）将是一个位置矩阵，每个项目（订单或客户）一行，每个维度（文章）一列，以及每个单元格中金额的存在（0/1）、金额或对数，取决于您根据上述讨论选择的。如果按客户分类，则在计算位置矩阵每个单元格中的金额之前，可以简单地将属于该客户的所有订单的金额相加（如果使用对数刻度，则在取对数之前将金额相加）

按订单而不是按客户进行聚类可以提供更多细节，但也会带来更多噪音。客户可能在订单内保持一致，但在订单之间不保持一致；也许客户有时表现得像水管工，有时又像电工。这是一种模式，只有按顺序进行聚类时才能找到。然后，您将发现每个客户属于每个集群的频率；也许有70%的订单属于电工类型，30%属于水管工类型。另一方面，水管工可能只在一个订单中购买管道，然后在下一个订单中只购买胶水。只有按客户分类并合计他们的订单数量，才能对每个客户的平均需求有一个平衡的看法

从这里开始，我将通过名称

my.matrix

参考您的位置矩阵

聚类算法 如果您希望能够发现新的客户类型，那么您可能希望尽可能让数据为自己说话。好的老式汽车 在这种情况下，带完全链接的层次聚类（CLINK）可能是一个合适的选择。在R中，您只需执行

hclust（dist（my.matrix））

（这将使用欧几里德距离度量，这在您的情况下可能已经足够好了）。它会将相邻的项目或集群紧密地连接在一起，直到所有项目都被分类到一个层次结构树中。您可以将树的任何分支视为一个簇，观察该分支的典型文章量，并确定该分支是否为r

customer_id | transaction_id | transaction_date | item_article_id | item_group_id | item_category_id | item_qty | sales_amt