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
在当今数据驱动的商业环境中,数据分析师扮演着至关重要的角色。他们帮助企业从大量数据中提取有用的洞察,从而推动决策制定和战 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,数据挖掘发挥着至关重要的作用。它不仅帮助企业从庞大的数据集中提取有价值的信息,还为企业的决策和业务运营 ...
2024-11-07数据分析可视化是一种通过图形化方式展现数据的技术,它使复杂的数据变得直观易懂,从而帮助我们更好地做出决策。在这个快速发展 ...
2024-11-07数据分析是一项至关重要的技能,尤其在当今数据驱动的世界中。Python以其强大的库和简单的语法成为了数据分析领域的佼佼者。本文 ...
2024-11-07在现代数据驱动的环境中,数据分析师扮演着至关重要的角色。他们需要掌握多种工具,以满足数据分析、处理和可视化的需求。无论是 ...
2024-11-07作为一名业务分析师,你将发现自己处于企业决策和数据驱动战略之间的桥梁位置。这个角色要求掌握一系列技能,以便有效地将数据转 ...
2024-11-07CDA中科院城市环境研究所(厦门)内训圆满成功 2017年9月12日-15日,CDA数据分析师在中科院城市环境研究所(厦门)进行了 ...
2024-11-07数据分析是现代商业和研究领域不可或缺的重要工具。无论是为了提高业务决策的准确性,还是为了发掘隐藏在数据中的潜在价值,了解 ...
2024-11-06数据分析是一个精细且有序的过程,旨在从海量数据中提取有用的信息,为决策提供有力支持。无论你是新手还是有经验的分析师,理解 ...
2024-11-06在当今竞争激烈的商业环境中,业务分析师(Business Analyst, BA)的角色变得愈加重要。随着企业对数据驱动决策的依赖加深,业务 ...
2024-11-06在现代信息技术的广阔世界中,大数据架构师扮演着至关重要的角色。他们不仅引领着企业的数据战略,还通过技术创新推动业务的不断 ...
2024-11-04在当今数字化时代,数据分析师已成为企业关键角色,帮助决策者通过数据驱动的洞察实现业务目标。成为一名成功的数据分析师,需要 ...
2024-11-03在当今数字化的世界中,数据分析已经成为推动商业决策的关键因素。随着公司和组织越来越依赖数据来驱动业务战略,对数据分析专 ...
2024-11-03《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30