精准营销神器之客户画像,你值得拥有
现如今越来越多的用户偏爱线上交易,越来越少的人会选择去银行网点咨询,银行业要如何精准营销呢?相比传统的问卷调查,大数据金融科技可以更好地为银行赋能。
为进一步精准、快速分析用户行为习惯、客户画像应运而生,本文就为大家阐述客户画像是如何生成的。
客户信息千千万,在生成客户画像前,需要了解业务方向与重心,例如,某行想知道零售客户群的分布情况,以及客户标签。故本文就以客户资产、投资偏好、风险承受能力三方面收集了近千条数据。
采用经典机器学习算法——聚类算法来生成客户画像,由于聚类算法是无监督模型,数据质量直接决定分群结果的好坏,这里收集到的数据大部分经过处理。
目标
1. 利用聚类算法,得到合理的分群客户。
2. 对聚类中心进行解释,生成客户标签。
3. 阐述测试样本如何分群。
数据源
本文用到的数据已经同步到kaggle数据集中,并将字段说明与结果一同上传了。
https://www.kaggle.com/yuzijuan/customer-clust
开始
环境与工具
Rstudio、openxlsx、fpc、cluster、Nbclust
调库及数据清洗
读取数据,由于数据类型大部分是连续性,故选择kmeans聚类算法,选取连续性字段,剔除掉仅有一个值的变量、剔除掉ID、年月等信息,查询数据分布,发现数据质量较好,可以用于建立数学模型。
建立聚类模型
因为kmeans算法是根据距离求得相似性,故要消除源数据的量纲,这里用scale()将源数据进行Z变化,得到一系列均值为0,方差为1的正态分布。再对每一列数据求和,验证是否变化完毕。如果源数据有取值仅为一值或者严重偏态的数据,验证便不会通过。
这种结果表示验证通过,列求和的数据位于0左右。如果出现下面的情况,则表明前面数据处理有仅有一值的数据,需要处理这样的数据。
距离的计算公式有很多,这里给出常见的几种连续性和离散型计算方式。本文全篇的计算方式均为欧式距离。
聚类的思想较为简单,难点在于要确定初始聚类中心和类别数。如果想自定义初始聚类中心,可先通过采样,用层次法对样本聚类,可以预估k-means的k值和簇中心,以这些k值和簇中心,作为大样本的初始点。对于K值的选取,R中有一个很棒的包,叫NbClust,提供了三十种评价评价指标,用于选择K值,包括聚合优度、轮廓系数以及CCC检验。执行代码如下。
通过结果可以看出,在评价指标中有6个选择分为2类,有5个选择分为3类,有6个选择分为5类。由于奥卡姆剃刀原理存在,系统推荐是分为2类,而基于业务角度思考,分为5类最为可靠。故后续我们将聚类类别分为5类。
由分类分布可知,2类和5类是一样多的票数。
再由kmeans()进行聚类。给定聚类中心为5个,最大迭代20次。算得聚类优度为0.39,给定聚类中心为2个时算得聚类优度为0.13,再次证明选择5类效果更好。
生成聚类结果
通过cluster.km$cluster可知各个样本的类别,再求得各个类别的均值,以及各类均值与总均值之比,可以看出各个类别的差异,以便给客户打标签。代码如下最后将聚类得分保存为clus_profile2.csv文件中。
通过clusplot()可以看前两个成分下的二维聚类效果图,从图中可以看出,聚类结果较好。因为较为明显地将客户分开。
后续我又用kmedios中心聚类,又将数据聚为5类,效果不如kmeans,聚类图如下。
可以看出,中心聚类下,数据有大量重叠的,而均值聚类,较好区分各个类别。
解读聚类结果
聚类算法相比于其他机器学习算法,其实还是很简单的,而聚类的难点就是需要使结果具有可解读性,也就是为客户打标签的过程。本文借助了银行对个人理财产品的风险承受能力评估等级,从低到高分别:A1(保守型)、A2(稳健型)、A3(平衡型)、A4(进取型)、A5(激进型);将得分超过100分(即比总体分布均值大)的标为红色,将得分低于65(即不达总体分布均值的65%)的标为绿色。可以看出区分程度较好。具体解读结果如下。
以第三类举例,可以看出,第三类客户在资产余额、总权益余额、近6月资产均值、近6月总权益均值的比分上均远远大于均值,并且客户爱购买债券、没有投资股票、基金、理财、贵金属、交易较为频繁且金额较大,基于这个特点,我给这类客户定义为高资产、稳中求进、投资意愿高而投资方向上,很可能属于年长多金爱存款的类别,风险承受为平衡型。当然,打标签是一个很好玩的过程,本文主要给大家介绍如何解读,至于解读得好不好,就仁者见仁智者见智。
测试新样本
最后,我简单计算了一下,如果进来新样本是如何计算类别的,由于本文仅1000条数据,没有新样本,故我将训练样本选择了200条作为新样本,纳入模型计算距离并得到类别数。代码如下。
得到的测试结果展示如下。
与原来的聚类结果相比发现并不是百分百聚类正确。不足5%的会聚类错误,在可允许范围内。
最后如果要给领导看,那么就要学会在解读结果方面下文章,给领导讲讲故事,一个好的客户画像不仅需要使结果具有可解读性,更要能够清晰展现客户特点,以便后续精准营销。
结语
本案例不足之处在于:
1. 样本量不算充裕,可能导致在聚类结果上有一定的偏差。
2. 本文未对离散型数据如何处理进行阐述。因为本案例中没有离散型数据。
数据分析咨询请扫描二维码
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20