英国零售市场客户聚类的聚类算法探索
机器学习
2024-02-07 v1 人工智能
应用统计
统计计算
摘要
近年来，人们对在线购物的意识显著提高。这促进了在线零售平台的发展，也带来了更好地理解客户购买行为的需求。零售公司面临着处理大量客户购买记录的压力，这需要复杂的方法来执行更准确、更高效的客户细分。客户细分是一种以客户为中心的服务营销分析工具，从而提高盈利能力。在本文中，我们旨在开发一个客户细分模型，以改善零售市场行业的决策过程。为了实现这一目标，我们采用了从 UCI 机器学习库获取的英国在线零售数据集。该零售数据集包含 541,909 条客户记录和八个特征。我们的研究采用 RFM（最近购买时间、购买频率、消费金额）框架来量化客户价值。此后，我们比较了几种 state-of-the-art (SOTA) 聚类算法，即 K-means 聚类、Gaussian mixture model (GMM)、density-based spatial clustering of applications with noise (DBSCAN)、凝聚聚类和 balanced iterative reducing and clustering using hierarchies (BIRCH)。结果表明，GMM 优于其他方法，其 Silhouette Score 为 0.80。
引用
@article{arxiv.2402.04103,
title = {An Exploration of Clustering Algorithms for Customer Segmentation in the UK Retail Market},
author = {Jeen Mary John and Olamilekan Shobayo and Bayode Ogunleye},
journal= {arXiv preprint arXiv:2402.04103},
year = {2024}
}
备注
15 pages, Journal of Analytics