分析消費者行為，找出利基市場！用K-means進行市場區隔(STP)分析
市場區隔分析
市場上有各式各樣的行為，消費者有不同行為、特質，了解市場上有哪些人，這些人有什麼消費動機、行為特質，能幫助企業設定目標市場，制定行銷策略。
市場區隔的方式有很多種，大致可分為事前區隔法與事後區隔法。事前區隔法通常依據性別、地區、年齡等等變數做區分，事前區隔法的優點是區分容易、所需資訊少；缺點為難以覺察消費者的消費動機、行為特質的差異性，不易做出具行銷意義的市場區隔。事後區隔法則是以消費者的特質、行為進行區分，優點是能夠真正了解消費者的消費動機與行為特點；缺點是需要蒐集足夠時間的數據才能得到有意義的結果。
而究竟該如何利用客戶消費數據，以資料分析、AI演算法對客戶進行標記、分類，並定義客戶喜好呢？
今天要跟各位分享如何以簡單的演算法─K平均法，來區分出不同行為的消費者，並從中得出有意義的行銷資訊！
資料準備
本次示範以某家信用卡公司的消費紀錄資料為例，一般來說，原始資料會記錄消費者使用信用卡的日期、金額、刷卡類型與客戶的基本資料等，資料範例如下圖
但這份資料想看出有意義的資訊顯然是有困難的，因此需要做一些處理，最常使用的為RFM分析、活躍度指標(CAI)、穩定度指標(CRI)，這些指標是怎麼產生的之後再出文章詳細解說(再請大家按讚追蹤！)。
最近購買期間(Recency)為消費者距離上次消費間隔的天數；消費次數(Frequency)為期間內的總消費次數；平均消費金額(Monetary value)為期間內的平均消費金額；客戶活躍度(CAI)為衡量期間內客戶是否有越來越常消費，越高表示此客戶有越常消費的趨勢；客戶穩定度(CRI)比較複雜，可以理解成此客戶的消費行為是否穩定，若無穩定的消費型態，CRI即越低，反之則越高。
K平均法(K-means Clustering Algorithm)
先來聊聊將消費者分群的目的與目標，分群的目的在於找出消費者間的異質性，並針對不同群體、或價值最高的群體執行不同策略或推薦。
因此分群的目標即是群體間的差異最大、群內差異最小，在分群後要注意每一群是否都有別具其他群沒有的特色，以及群體內的變異是否足夠小使得我們可以認為他們是具有相似特質的消費者，兩者都符合才是好的分群。
有關K平均法的細節，未來再跟大家詳細介紹。這裡我們只需思考要設定多少個"K"，K代表要分的群數，分得太少，群內的變異過大，不具代表性；分得太多，群體間沒有區別，失去分群的意義。因此分群設定需要一定程度的試誤，並搭配視覺化觀察分群後的結果，才可以得到合適的群數。
這次示範就簡單用sciki-learn中的k-mean套件來完成，K設定為3
程式碼範例如下
from sklearn.cluster import KMeans
import pandas as pd
data = pd.read_csv("大數據行銷實作練習_集群分析.xlsx - RFM.csv")
data = data.loc[:, ["客戶Id", "Recency", "Frequcency",
"Monetary value(average)", "CAI", "CRI"]]
data = data.dropna()
kmeans = KMeans(n_clusters=4)
kmeans.fit(data)
data["分類結果"] = kmeans.predict(data)
print(data.tail())
data.to_csv("分類結果.csv")結果解釋
我們可以從每一群的資料平均值來判斷該如何描述市場區隔，從消費次數(96.97次)可以看到，第一群(藍色)是最常消費的族群，但從CAI(2.55)與最近購買期間(94.2天)來看，此族群沒有越來越頻繁消費的趨勢，且已有一段時間未使用信用卡；第二群(橘色)是平均消費金額最高的一群，且有越來越頻繁消費的趨勢，惟此群人數最少(3人)、消費次數最低，應是習慣以信用卡進行高消費行為的客戶。第三、四群屬於最穩定消費的族群，CRI分別為一、二名，其他數值也較為平均。
策略擬定
以信用卡公司的角度來說，消費紀錄最大價值在於獲取客戶喜好數據，以行銷發卡公司的金融商品。因此可以針對消費能力最高的第二群(橘色)，研究消費喜好，提供其財富管理方案與金融商品；也可以提供刷卡消費紅利，增加其購買次數，得到更多消費數據。
在選定策略對象時，需針對不同產業性質，定義其價值較高的群體。例如對便利超商來說，消費次數與活躍度指標會是更重要的特質。在得出結果後，還是要回頭思考對企業價值最高的行動，並思考是否需要添加新變數，來回分析數次後，才能得到具有價值的結論。
聯絡方式
信箱：skps30808@gmail.com
Line：260391760
IG：cfp_andy
