5 exemples d’analyse de cluster dans la vie réelle

L’analyse groupée est une technique utilisée en apprentissage automatique qui tente de trouver des groupes d’observations au sein d’un ensemble de données.

Le but de l’analyse typologique est de trouver des clusters tels que les observations au sein de chaque cluster soient assez similaires les unes aux autres, tandis que les observations dans différents clusters sont assez différentes les unes des autres.

Les exemples suivants montrent comment l’analyse typologique est utilisée dans diverses situations réelles.

Exemple 1 : Marketing de détail

Les entreprises de vente au détail utilisent souvent le regroupement pour identifier des groupes de ménages similaires.

Par exemple, une entreprise de vente au détail peut collecter les informations suivantes sur les ménages :

• Revenu du ménage
• La taille du ménage
• Chef de famille Profession
• Distance de la zone urbaine la plus proche

Ils peuvent ensuite introduire ces variables dans un algorithme de clustering pour éventuellement identifier les clusters suivants :

• Groupe 1 : Petite famille, gros dépensiers
• Groupe 2 : Famille nombreuse, gros dépensiers
• Groupe 3 : Petite famille, faibles dépenses
• Groupe 4 : Famille nombreuse, faibles dépenses

L’entreprise peut ensuite envoyer des publicités personnalisées ou des lettres de vente à chaque foyer en fonction de leur probabilité de répondre à des types spécifiques de publicités.

Exemple 2 : services de streaming

Les services de streaming utilisent souvent l’analyse de clustering pour identifier les téléspectateurs ayant un comportement similaire.

Par exemple, un service de streaming peut collecter les données suivantes sur les individus :

• Minutes regardées par jour
• Nombre total de séances de visionnage par semaine
• Nombre d’émissions uniques visionnées par mois

À l’aide de ces métriques, un service de streaming peut effectuer une analyse de cluster pour identifier les utilisateurs à forte et faible utilisation afin qu’ils puissent savoir à qui ils devraient dépenser la plus grande partie de leur budget publicitaire.

Exemple 3 : Sciences du sport

Les data scientists des équipes sportives utilisent souvent le clustering pour identifier les joueurs similaires.

Par exemple, les équipes professionnelles de basket-ball peuvent collecter les informations suivantes sur les joueurs :

• Points par match
• Rebonds par match
• Aides par match
• Vols par match

Ils peuvent ensuite introduire ces variables dans un algorithme de regroupement pour identifier les joueurs similaires afin de pouvoir les faire s’entraîner les uns avec les autres et effectuer des exercices spécifiques en fonction de leurs forces et de leurs faiblesses.

Exemple 4 : marketing par e-mail

De nombreuses entreprises utilisent l’analyse groupée pour identifier les consommateurs qui se ressemblent afin de pouvoir adapter les e-mails envoyés aux consommateurs de manière à maximiser leurs revenus.

Par exemple, une entreprise peut collecter les informations suivantes sur les consommateurs :

• Pourcentage d’e-mails ouverts
• Nombre de clics par email
• Temps passé à consulter les e-mails

À l’aide de ces mesures, une entreprise peut effectuer une analyse de cluster pour identifier les consommateurs qui utilisent le courrier électronique de manière similaire et adapter les types d’e-mails et la fréquence des e-mails qu’ils envoient à différents groupes de clients.

Exemple 5 : Assurance maladie

Les actuaires des compagnies d’assurance maladie ont souvent eu recours à l’analyse groupée pour identifier des « groupes » de consommateurs qui utilisent leur assurance maladie de manière spécifique.

Par exemple, un actuaire peut recueillir les informations suivantes sur les ménages :

• Nombre total de visites chez le médecin par an
• Taille totale du ménage
• Nombre total de maladies chroniques par ménage
• Âge moyen des membres du ménage

Un actuaire peut ensuite introduire ces variables dans un algorithme de regroupement pour identifier les ménages similaires. La compagnie d’assurance maladie peut ensuite fixer des primes mensuelles en fonction de la fréquence à laquelle elle s’attend à ce que les ménages de groupes spécifiques utilisent son assurance.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer différents types d’analyses groupées à l’aide de langages de programmation statistique :

Comment effectuer un clustering K-Means en Python
Comment effectuer un clustering K-Means dans R
Comment effectuer un clustering K-Medoids dans R
Comment effectuer un clustering hiérarchique dans R