Introduzione
La creazione di gruppi di clienti suddividendoli per omogeneità è una delle attivita più usuali degli operatori del marketing aziendale.
Tale opera è finalizzata a individuare insiemi di clienti su cui attivare delle iniziative commerciali omogenee, valutare l'economia di scala delle stesse in riferimento alle dimensioni dei gruppi individuati, e agevolare la determinazione di parametri valutativi dell'efficacia delle varie azioni commerciali intraprese.
I parametri di raggruppamento possono esseri troppo numerosi per segmentare la clientela in modo semplice.
I metodi di clustering vengono utilizzati per identificare gruppi di oggetti simili in set di dati multivariati.
L' unsupervised clustering è uno strumento ideale per riuscire a tenere in conto di tutti i vari parametri pesandoli opportunamente.
Metodi principali
Sono diversi tipi di metodi di clustering, tra cui:
Clustering di partizionamento
Clustering gerarchico
Clustering sfocato
Clustering basato sulla densità
Clustering basato su modello
Cluster di partizionamento
Tecnica di raggruppamento che suddivide l'insieme di dati in un insieme di k gruppi, dove k è il numero di gruppi preimpostato dall'utente.
Tra i vari metodi il più utilizzato è il K-means in cui ogni cluster è rappresentato dal centro o media dei punti dati appartenenti al cluster.
Raggruppamento gerarchico
Non è necessario pre-specificare il numero di cluster da generare.
Il risultato del raggruppamento gerarchico è una rappresentazione ad albero degli oggetti, (dendrogramma). Le analisi visive possono essere di varia profondità tagliando il dendrogramma al livello di somiglianza desiderato.
Raggruppamento sfocato (fuzzy)
Il clustering fuzzy è un metodo che consente ad un dato di appartenere a più gruppi vicini. Gli approcci di clustering standard producono partizioni in cui ogni osservazione appartiene a un solo cluster. Questo è noto come clustering rigido.
Nel clustering fuzzy, gli elementi possono essere membri di più cluster.
Mean-Shift Clustering
Il clustering di spostamento medio è un algoritmo basato su finestre scorrevoli che tenta di trovare aree dense di punti dati.
Clustering spaziale basato sulla densità di applicazioni con rumore (DBSCAN)
DBSCAN è un algoritmo cluster basato sulla densità simile allo spostamento medio, connette regioni di punti con densità sufficientemente alta. DBSCAN usa una definizione di cluster basata sulla nozione di densità.
Caratteristiche
In effetti vengono considerati utili i seguenti concetti:
Praticabilità – Diventa particolarmente oneroso e complesso realizzare regole predeterminate per segmentare la clientela su più dimensioni
Omogeneità: Si riesce a tenere conto di tutte le variazioni parametriche , anche di quelle più piccole, mentre la segmentazione basata su regole in genere raggruppa i clienti a volte anche molto diversi
Dinamicità: la creazione dei cluster cambia ogni volta che viene eseguito l'algoritmo di clustering, assicurando che i gruppi riflettano sempre accuratamente lo stato corrente dei dati.
I vari profili dei clienti creati dall'analisi dei cluster consentono di modellare i propri clienti e caratterizzare le azioni marketing per un'efficacia molto maggiore.
Misure di distanza
La classificazione degli oggetti, in cluster, richiede alcuni metodi per misurare la distanza o la (dis)somiglianza tra gli oggetti.
Analisi RFM: come funziona?
Tra i metodi di segmentazione più efficaci e popolari per consentire una corretta analisi del comportamento dei clienti, c’è l’analisi RFM.
Per farla semplice, i nostri sistemi di Business Intelligence si basano su quest’analisi per costruire un modello dei comportamenti d’acquisto dei clienti avendo a disposizione solamente due dati: l’importo e la data della vendita.
L’analisi Recency, Frequency, Monetary è una tecnica di segmentazione marketing utilizzata per la targettizzazione dei clienti per costruire comunicazioni mirate il più performanti possibile.
Questo sistema analizza il comportamento di acquisto di ogni singolo consumatore sulla base di tre dimensioni:
RECENCY: quanti giorni sono passati, ad oggi, dall’ultimo acquisto?
FREQUENCY: quante volte ha acquistato in un determinato lasso temporale?
MONETARY VALUE: qual è l’importo medio speso nelle varie transazioni?Sebbene sembrino tre informazioni banali, possiamo già capire quali clienti contribuiscono in misura maggiore alla formazione del fatturato, quali non vengono più da troppo tempo e quali invece sono i veri clienti devoti del nostro marchio.
I punti di forza dell’analisi RFM
La forza di quest’analisi si basa principalmente sulla semplicità con cui possono essere reperite determinate informazioni per creare i nostri target sui comportamenti d’acquisto dei consumatori.
Perché l’analisi RFM può essere uno strumento molto utile per gli analisti del Business Retail?
Si basa su dimensioni facilmente rilevabili e presenti su ogni base dati.
L’identità di chi effettua la transazione è un dato sempre più popolato con la collaborazione della clientela che spesso fornisce propri dati personali rispondendo alle varie sollecitazioni del venditore quale richiesta di email e giudizi sulla transazione .
Consente analisi prodfonde! Selezionando, ragruppando, ordinando i dati (per area geografica, periodo temporale, prodotto acquistato, gruppo di clienti) è possibile tracciare le aree più performanti .
Monitorare come cambia il comportamento di acquisto nel corso del tempo, dà la possibilità di fare previsioni strategiche sugli scenari futuri.
Customer clustering
Introduction
The creation of customer groups by dividing them for homogeneity is one of the most common activities of corporate marketing operators.
This work is aimed at identifying groups of customers on which to activate homogeneous commercial initiatives, assess their economy of scale with reference to the size of the groups identified, and facilitate the determination of parameters for evaluating the effectiveness of the various commercial actions undertaken.
The grouping parameters can be too numerous to segment customers easily.
Clustering methods are used to identify groups of similar objects in multivariate datasets.
Unsupervised clustering is an ideal tool to be able to take into account all the various parameters by weighing them appropriately.
Main methods
There are several types of clustering methods, including:
Partitioning clustering
Hierarchical clustering
Blurred clustering
Density-based clustering
Model-based clustering
Partitioning cluster
A grouping technique that divides the dataset into a set of k groups, where k is the number of groups preset by the user.
Among the various methods, the most used is the K-means in which each cluster is represented by the center or average of the data points belonging to the cluster.
Hierarchical grouping
It is not necessary to pre-specify the number of clusters to generate.
The result of the hierarchical grouping is a tree representation of the objects, (dendrogram). Visual analyzes can be of varying depth by cutting the dendrogram to the desired level of similarity.
Fuzzy grouping
Fuzzy clustering is a method that allows a data to belong to several neighboring groups. Standard clustering approaches produce partitions where each observation belongs to only one cluster. This is known as rigid clustering.
In fuzzy clustering, elements can be members of multiple clusters.
Mean-Shift Clustering
Mean displacement clustering is a sliding window algorithm that attempts to find dense areas of data points.
Spatial clustering based on the density of applications with noise (DBSCAN)
DBSCAN is a density-based cluster algorithm similar to mean displacement, it connects regions of points with sufficiently high density. DBSCAN uses a cluster definition based on the notion of density.
Features
In fact, the following concepts are considered useful:
Practicability - It becomes particularly burdensome and complex to create predetermined rules to segment customers on multiple dimensions
Homogeneity: It is possible to take into account all the parametric variations, even the smallest ones, while the segmentation based on rules generally groups customers who are sometimes very different
Dynamic: Cluster creation changes each time the clustering algorithm runs, ensuring that the clusters always accurately reflect the current state of the data.
The various customer profiles created by cluster analysis allow you to model your customers and characterize your marketing actions for much greater effectiveness.
Distance measurements
Classifying objects, in clusters, requires some methods to measure the distance or (dis) similarity between objects.
RFM Analysis: How Does It Work?
Among the most effective and popular segmentation methods to allow a correct analysis of customer behavior, there is RFM analysis.
To put it simply, our Business Intelligence systems are based on this analysis to build a model of customer purchasing behavior having only two data available: the amount and the date of the sale.
Recency, Frequency, Monetary analysis is a marketing segmentation technique used for targeting customers to build targeted communications that are as performing as possible.
This system analyzes the purchasing behavior of each individual consumer on the basis of three dimensions:
RECENCY: how many days have passed, to date, since the last purchase? FREQUENCY: how many times have you purchased in a given period of time? MONETARY VALUE: what is the average amount spent in the various transactions? Although they seem like three trivial pieces of information, we can already understand which customers contribute most to the formation of the turnover, which have not been there for too long and which are the real loyal customers of our brand.
The strengths of RFM analysis
The strength of this analysis is mainly based on the simplicity with which certain information can be found to create our targets on consumer purchasing behavior. Why can RFM analysis be a very useful tool for Retail Business analysts?
It is based on easily detectable dimensions present in each database. The identity of the person carrying out the
What is web scraping
Web scraping is a computer process for obtaining data from web browsing.
Conclusion
In summary, the need for data goes hand in hand with their own
