5 примеров кластерного анализа в реальной жизни

Кластерный анализ — это метод, используемый в машинном обучении , который пытается найти группы наблюдений в наборе данных.

Цель кластерного анализа — найти кластеры, в которых наблюдения внутри каждого кластера очень похожи друг на друга, в то время как наблюдения в разных кластерах сильно отличаются друг от друга.

Следующие примеры показывают, как кластерный анализ используется в различных реальных ситуациях.

Пример 1: Розничный маркетинг

Компании розничной торговли часто используют кластеризацию для выявления групп схожих домохозяйств.

Например, розничный бизнес может собирать следующую информацию о домохозяйстве:

• Семейный доход
• Размер семьи
• Глава семьи Профессия
• Расстояние до ближайшего населенного пункта

Затем они могут ввести эти переменные в алгоритм кластеризации, чтобы потенциально идентифицировать следующие кластеры:

• Группа 1: Маленькие семьи, большие транжиры.
• Группа 2: Большая семья, большие транжиры.
• Группа 3: Маленькая семья, низкие расходы.
• Группа 4: Большая семья, низкие расходы.

Затем компания может отправлять персонализированную рекламу или рекламные письма каждому домохозяйству, исходя из вероятности того, что они отреагируют на определенные типы рекламы.

Пример 2: потоковые сервисы

Стриминговые сервисы часто используют кластерный анализ для выявления зрителей со схожим поведением.

Например, потоковый сервис может собирать следующие данные о людях:

• Минуты просмотра в день
• Общее количество сеансов просмотра в неделю
• Количество уникальных шоу, просмотренных в месяц

Используя эти метрики, служба потоковой передачи может выполнять кластерный анализ для выявления пользователей с высоким и низким уровнем использования, чтобы они могли знать, на кого им следует тратить большую часть своего рекламного бюджета.

Пример 3: Спортивная наука

Специалисты по данным спортивных команд часто используют кластеризацию для выявления похожих игроков.

Например, профессиональные баскетбольные команды могут собирать следующую информацию об игроках:

• Очки за игру
• Подборы за игру
• Ассистов за матч
• Перехваты за игру

Затем они могут ввести эти переменные в алгоритм группировки, чтобы идентифицировать похожих игроков, чтобы они могли тренироваться друг с другом и выполнять конкретные упражнения на основе их сильных и слабых сторон.

Пример 4: Email-маркетинг

Многие компании используют кластерный анализ для выявления похожих потребителей, чтобы они могли адаптировать электронные письма, отправляемые потребителям, таким образом, чтобы максимизировать доход.

Например, компания может собирать следующую информацию о потребителях:

• Процент открытых писем
• Количество кликов на одно письмо
• Время, потраченное на проверку электронной почты

Используя эти показатели, компания может выполнить кластерный анализ, чтобы выявить потребителей, которые используют электронную почту одинаковым образом, и адаптировать типы электронных писем и частоту их отправки различным группам клиентов.

Пример 5: Медицинское страхование

Актуарии компаний медицинского страхования часто используют кластерный анализ для выявления «кластеров» потребителей, которые используют свое медицинское страхование определенным образом.

Например, актуарий может собирать следующую информацию о домохозяйствах:

• Общее количество посещений врача в год
• Общий размер домохозяйства
• Общее количество хронических заболеваний на домохозяйство
• Средний возраст членов семьи

Затем актуарий может ввести эти переменные в алгоритм кластеризации для выявления похожих домохозяйств. Медицинская страховая компания может затем устанавливать ежемесячные страховые взносы в зависимости от того, как часто, по ее ожиданиям, домохозяйства в определенных группах будут пользоваться ее страховкой.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять различные типы кластерного анализа с использованием языков статистического программирования:

Как выполнить кластеризацию K-средних в Python
Как выполнить кластеризацию K-Means в R
Как выполнить кластеризацию K-Medoids в R
Как выполнить иерархическую кластеризацию в R