Credict Card Usage Behaviour
Victor Nugraha
July 20, 2022
# clear-up the environment
rm(list = ls())
# chunk options
knitr::opts_chunk$set(
message = FALSE,
warning = FALSE,
fig.align = "center",
comment = "#>"
)
# scientific notation
options(scipen = 9999)1 Pendahuluan
Materi ini diproduksi oleh tim dari Algoritma untuk DDE - Bank OCBC NISP . Materi berikut hanya ditujukan untuk kalangan terbatas, meliputi individu/personal yang menerima materi ini secara langsung dari lembaga pelatihan. Materi ini dilarang untuk direproduksi, didistribusikan, diterjemahkan, atau diadaptasikan dalam bentuk apapun di luar izin dari individu dan organisasi yang berkepentingan.
Algoritma adalah pusat pendidikan Data Science di Jakarta. Kami mengadakan workshop dan program pelatihan untuk membantu para profesional dan pelajar untuk mendapatkan keahlian dalam berbagai bidang dalam ruang lingkup Data Science: data visualization, machine learning, data modeling, statistical inference, dan lain-lainnya.
Sebelum masuk ke dalam materi dan menjalankan kode-kode di dalam materi ini, silakan anda melihat bagian Library and Setup untuk melihat dan memastikan semua persyaratan dasar untuk mengikuti materi ini sudah terpenuhi termasuk package-package yang diperlukan. Pada bagian Tujuan Pembelajaran anda dapat melihat secara umum apa saja yang akan dipelajari dalam modul materi ini. Kami harap materi ini akan bermanfaat bagi karir ataupun menambah keahlian peserta.
1.1 Tujuan Pembelajaran
Tujuan utama dari workshop ini adalah untuk memberikan pengenalan yang komprehensif mengenai tools dan perangkat lunak yakni sebuah open-source R Programming yang digunakan untuk melakukan sekementasi kustomer dengan menggunakan dari Unsupervised Machine Learning - Clustering. Adapun materi ini akan mencakup:
- Persiapan Data
- Membaca Data
- Memproses dan manipulasi data agar dapat dieksplorasi/Data Wrangling
- Eksplorasi Data
- Eksplorasi data secara statistika deskriptif
- Eksplorasi data secara visualisasi
- Unsupervised Machine Learning
- Persiapan clustering
- Clustering dengan K-Medoids
- Interpretasi hasil clustering
2 Topik bisnis: Customer Segmentation Based On Credit Card Usage Behaviour
Dengan berbagai macam fitur maupun promo yang ditawarkan kepada pengguna kartu kredit, banyak sekali individu yang mulai membuat kartu kredit untuk mempermudah proses transaksi yang dilakukan dan mendapatkan promo menarik.
Untuk dapat bersaing antara Bank dalam mengait calon pengguna kartu kredit, kita harus dapat menawarkan jenis kartu kredit yang sesuai dengan kebutuhan dari calon pelanggan kita. Selain mengait para pengguna baru, kita juga harus menjaga bahkan meningkatkan retensi pelanggan dengan cara memberikan promo yang lebih tepat sasaran.
Dalam melakukan kedua hal tersebut tidaklah mudah karena setiap pengguna kartu kredit memiliki karakteristik yang berbeda-beda. Walaupun berbeda-beda, setiap customer dapat dikelompokan dengan karakteristik yang mendekati satu dengan lainnya sehingga nantinya dapat beberapa kelompok yang memiliki karakteristik yang mendekati. Dengan mempelajari setiap karakteristik dari setiap kelompok, kita dapat menarik kesimpulan untuk menentukan strategi bisnis untuk meningkatkan pengguna baru dan meningkatkan kepuasan dari pengguna lama.
2.1 Library
# Data Wrangling
library(tidyverse)
library(Hmisc)
# Machine Learning - Clustering
library(cluster)
library(factoextra)
# Visualization
library(Rtsne)2.2 Persiapan Data
2.2.1 Membaca Dataset
Data yang kita gunakan adalah data behavior dari para pengguna kartu
kredit disebuah bank. Data tersebut kami letakan di foder
data dengan nama file
creditcard_customer_behavior.csv, fungsi yang dapat
dimanfaatkan untuk membaca data adalah `read.csv()``
# Membaca data
customer <- read.csv("data/creditcard_customer_behavior.csv")
# Menampilkan 6 data paling atas
customer %>%
head()Deskripsi singkat:
CLIENTNUM: Unique ID ClientCustomer_Age: Umur customerGender: gender customerEducation_Level: Tingkat pendidikanMarital_Status: Status PernikahanIncome_Category: Range pendapatanMonths_Inactive_12_mon: Selama 12 bulan terakhir sempat tidak menggunakan kartu kredit berapa lamaCredit_Limit: Limmit dari creditcardTotal_Trans_Amt: Jumlah amount transaksi yang dilakukan selama 12 bulan terakhirTotal_Trans_Ct: Total transaksi yang dilakukan selama 12 bulan terakhir
Additional Info:
Kita dapat membaca berbagai macam tipe file data di R, berikut adalah beberapa contoh file yang dapat kita baca di R.
- .Rds: File dalam format R.
- .csv: File dalam format csv(comma seperated value).
- .xlsx: File dalam formal excel.
Selain membaca data yang sudah tersimpan dalam komputer kita, R Studio juga dapat kita sambungkan ke database untuk mengambil data-data yang tersimpan pada database tersebut.
2.2.2 Data Wrangling
Wrangling 1: Apakah kolom CLIENTNUM?
- Opsi 1: Kolom
CLIENTNUMdapat kita buang karena nantinya dapat mempengaruhi perhitungan dan pembuatan kelompok.
customer %>%
select(-CLIENTNUM)- Opsi 2: Kolom
CLIENTNUMdapat kita buat sebagai rownames saja.
customer %>%
column_to_rownames("CLIENTNUM")# Menyimpan hasilnya ke dalam sebuah objek baru
customer_clean <- customer %>%
column_to_rownames("CLIENTNUM")Wrangling 2: Apakah terdapat kolom yang belum sesuai tipe datanya?
Untuk mengetahui apakah ada tipe data yang belum sesuai kita dapat
menggunakan fungsi glimpse().
customer %>%
glimpse()#> Rows: 6,339
#> Columns: 10
#> $ CLIENTNUM <int> 768805383, 818770008, 713982108, 769911858, 713…
#> $ Customer_Age <int> 45, 49, 51, 40, 44, 32, 48, 56, 35, 57, 48, 61,…
#> $ Gender <chr> "M", "F", "M", "F", "M", "M", "M", "M", "M", "F…
#> $ Education_Level <chr> "High School", "Graduate", "Graduate", "High Sc…
#> $ Marital_Status <chr> "Married", "Single", "Married", "Unknown", "Mar…
#> $ Income_Category <chr> "$60K - $80K", "Less than $40K", "$80K - $120K"…
#> $ Months_Inactive_12_mon <int> 1, 1, 1, 4, 1, 2, 3, 6, 1, 2, 2, 2, 2, 3, 2, 1,…
#> $ Credit_Limit <dbl> 12691.0, 8256.0, 3418.0, 3313.0, 4010.0, 29081.…
#> $ Total_Trans_Amt <int> 1144, 1291, 1887, 1171, 1088, 1538, 1441, 1539,…
#> $ Total_Trans_Ct <int> 42, 33, 20, 20, 24, 36, 32, 17, 33, 29, 27, 30,…Intuisi dari masing-masing tipe data:
int: integer, merupakan tipe data yang diperuntuhkan untuk data-data numerik tanpa koma.dbl: double, merupakan tipe data yang serupa dengan integer akan tetapi data-data numerik ini bisa memiliki unsur koma/desimal.chr: character, merupakan tipe data yang diperuntuhkan untuk data-data alfabetikalfct: factor, merupakan tipe data yang diperuntuhkan untuk data-data alfabetikal yang sifatnya berulang-ulang.lgl: logical, merupan tipe data yang berisikan nilai TRUE atau FALSE saja.
Berdasarkan intuisi dari masing-masing tipe data, terdapat beberapa kolom yang belum sesuai:
Gender-> FactorEducation_Level-> FactorMarital_Status-> FactorIncome_Category-> Factor
Untuk mengubah beberapa kolom di atas menjadi tipe yang lebih sesuai,
kita dapat memanfaatkan fungsi mutate(). Contoh penggunaan
fungsi mutate():
mutate(nama_kolom = fungsi_untuk_mengubah_tipe_data(nama_kolom)).
as.factor()-> untuk mengubah tipe data menjadi factoras.integer()-> untuk mengubah tipe data menjadi integeras.character-> untuk mengubah tipe data menjadi character
Setelah mengetahui bagaimana cara mengubah tipe data, mari kita coba implementasikan.
customer_clean <- customer_clean %>%
mutate(Gender = as.factor(Gender),
Education_Level = as.factor(Education_Level),
Marital_Status = as.factor(Marital_Status),
Income_Category = as.factor(Income_Category))customer_clean %>%
glimpse()#> Rows: 6,339
#> Columns: 9
#> $ Customer_Age <int> 45, 49, 51, 40, 44, 32, 48, 56, 35, 57, 48, 61,…
#> $ Gender <fct> M, F, M, F, M, M, M, M, M, F, M, M, M, F, M, F,…
#> $ Education_Level <fct> High School, Graduate, Graduate, High School, G…
#> $ Marital_Status <fct> Married, Single, Married, Unknown, Married, Unk…
#> $ Income_Category <fct> $60K - $80K, Less than $40K, $80K - $120K, Less…
#> $ Months_Inactive_12_mon <int> 1, 1, 1, 4, 1, 2, 3, 6, 1, 2, 2, 2, 2, 3, 2, 1,…
#> $ Credit_Limit <dbl> 12691.0, 8256.0, 3418.0, 3313.0, 4010.0, 29081.…
#> $ Total_Trans_Amt <int> 1144, 1291, 1887, 1171, 1088, 1538, 1441, 1539,…
#> $ Total_Trans_Ct <int> 42, 33, 20, 20, 24, 36, 32, 17, 33, 29, 27, 30,…Wrangling 3: Apakah terdapat missing value?
Untuk melihat apakah terdapat missing value pada data yang kita
gunakan, kita dapat menggunakan fungsi anyNA().
customer_clean %>%
anyNA()#> [1] FALSEJika hasil dari fungsi adalah FALSE, maka tidak ada nilai missing pada data kita.
2.3 Eksplorasi Data Analysis
Pada tahapan eksplorasi data, kita akan mencoba untuk lebih mengenali data yang kita miliki.
EDA 1: Eksplorasi data dengan memanfaatkan statistika deskriptif
Statistika deskriptif dapat juga disebut sebuah eksplorasi data
dengan melihat hasil dari 6 number summary (minimal, maksimum,
mean, median, 1st quartile & 3rd quartile). Fungsi yang dapat kita
gunakan adalah summary().
customer_clean %>%
summary()#> Customer_Age Gender Education_Level Marital_Status
#> Min. :26.00 F:3008 College : 905 Divorced: 455
#> 1st Qu.:41.00 M:3331 Doctorate : 381 Married :2986
#> Median :46.00 Graduate :2796 Single :2436
#> Mean :46.28 High School :1788 Unknown : 462
#> 3rd Qu.:52.00 Post-Graduate: 469
#> Max. :73.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + : 488 Min. :0.000 Min. : 1438 Min. : 510
#> $40K - $60K :1272 1st Qu.:2.000 1st Qu.: 2523 1st Qu.: 2109
#> $60K - $80K : 997 Median :2.000 Median : 4327 Median : 3863
#> $80K - $120K :1099 Mean :2.343 Mean : 8490 Mean : 4396
#> Less than $40K:2483 3rd Qu.:3.000 3rd Qu.:10588 3rd Qu.: 4751
#> Max. :6.000 Max. :34516 Max. :17995
#> Total_Trans_Ct
#> Min. : 10.00
#> 1st Qu.: 44.00
#> Median : 67.00
#> Mean : 64.56
#> 3rd Qu.: 81.00
#> Max. :132.00Insight:
- Salah satu hal yang cukup menarik adalah kebanyakan customer kita memiliki pendapatan dibawah 40 ribu USD per tahunnya.
- Insight mengenai kebanyakan customer memiliki pendapatan dibawah 40 ribut USD per tahunnya mungkin dapat dikorelasikan atau mungkin dapat divalidasi dengan tingkat pendidikan karena kebanyakan dari customer kita memiliki tingkat pendidikan di tingkat High School & Graduate.
- Dari kolom yang mewakili berapa lama customer kita tidak menggunakan kartu kredit dapat dilihat bahwa rata-rata berada di angka 2 bulan akan tetapi terdapat nilai maksimal yaitu sampai dengan 6 bulan.
Jika dirasa dengan menggunakan perhitungan statistika kita masih belum mendapatkan kesimpulan yang memuaskan, kita juga dapat melakukan analisa dengan menggunakan bantuan visualisasi. Selain itu, kita juga akan melakukan analisa yang lebih detail lagi untuk beberapa insight yang sudah kita dapatkan.
EDA 2: Eksplorasi data dengan memanfaatkan visualisasi
Sebagai tambahan untuk data dengan tipe numerik kita bisa melakukan
visualiasi dengan plot histogram untuk melihat jumlah observasinya.
Untuk melelihatnya dengan visualisasi histogram, kita tidak perlu
membuatnya satu per satu, melainkan kita bisa menggunakan fungsi
hist.data.frame() dari library(Hmisc).
customer_clean %>%
select_if(is.numeric) %>%
hist.data.frame()
Insight
- Dari hasil visualisasi histogram pada bagian Credit Limit, kita dapat mengetahui bahwa mayoritas customer kita memiliki limit dibawah 5000USD dan semakin tinggi limitnya, semakin sedikit juga penggunanya. Akan tetapi, tedapat peningkatan jumlah pengguna kartu kredit ketika limitnya mencari di angka 33-35 ribu USD.
- Dari hasil visualisasi histrogram pada bagian berapa lama customer kita tidak menggunakan kartu kredit, terdapat kabar baik bahwa tidak terlalu banyak customer kita yang tidak menggunakan kartu kreditnya sampai dengan 6 bulan.
EDA 3 Melakukan analisa lebih mendetail untuk memvalidasi beberapa temuan yang sudah kita dapatkan
- Insight mengenai kebanyakan customer memiliki pendapatan dibawah 40 ribut USD per tahunnya mungkin dapat dikorelasikan atau mungkin dapat divalidasi dengan tingkat pendidikan karena kebanyakan dari customer kita memiliki tingkat pendidikan di tingkat High School & Graduate.
ggplot(data = customer_clean, mapping = aes(x = Education_Level, y = ..count..)) +
geom_bar(mapping = aes(fill = Income_Category),
position = "dodge")
- Dari hasil visualisasi histogram pada bagian Credit Limit, kita dapat mengetahui bahwa mayoritas customer kita memiliki limit dibawah 5000USD dan semakin tinggi limitnya, semakin sedikit juga penggunanya. Akan tetapi, tedapat peningkatan jumlah pengguna kartu kredit ketika limitnya mencari di angka 33-35 ribu USD.
Untuk melakukan analisa lebih mendetail terhadap temuan tersebut, kita akan mencoba melihat secara lebih spesifik terhadap customer yang memiliki credit limit direntang 33-35rb USD.
customer_clean %>%
filter(Credit_Limit > 33000) %>%
summary()#> Customer_Age Gender Education_Level Marital_Status
#> Min. :27.00 F: 0 College : 59 Divorced: 28
#> 1st Qu.:43.00 M:354 Doctorate : 18 Married :134
#> Median :48.00 Graduate :157 Single :165
#> Mean :46.92 High School : 93 Unknown : 27
#> 3rd Qu.:52.00 Post-Graduate: 27
#> Max. :62.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + :140 Min. :1.000 Min. :33122 Min. : 691
#> $40K - $60K : 0 1st Qu.:2.000 1st Qu.:34516 1st Qu.: 2311
#> $60K - $80K : 45 Median :2.000 Median :34516 Median : 4263
#> $80K - $120K :169 Mean :2.299 Mean :34467 Mean : 6156
#> Less than $40K: 0 3rd Qu.:3.000 3rd Qu.:34516 3rd Qu.: 8184
#> Max. :6.000 Max. :34516 Max. :16692
#> Total_Trans_Ct
#> Min. : 12.00
#> 1st Qu.: 52.00
#> Median : 72.00
#> Mean : 72.24
#> 3rd Qu.: 92.00
#> Max. :132.003 Clustering
Clustering adalah salah satu teknik Machine Learning, yang memiliki kemampuan untuk mengelompokkan kumpulan data yang tidak berlabel. Setiap data yang tidak berlabel nantinya akan diklasifikasikan ke dalam kelompok tertentu dimana, titik data yang berada dalam kelompok yang sama akan memiliki sifat atau fitur yang serupa, sedangkan titik data dalam kelompok yang berbeda diharapkan memiliki sifat atau fitur yang sangat berbeda.
Dalam ilmu data, kita dapat menggunakan clustering untuk mendapatkan beberapa wawasan berharga dari data kita dengan melihat hasil pengelompokan yang terjadi. Informasi yang berharga tersebut bisa kita bawa untuk membantu kita dalam menentukan segmentasi market, social netwrok analysis, dan masih banyak lagi. Dalam kasus ini kita akan memanfatkannya untuk melakuakan segmentasi customer.
3.1 Implementasi Clustering
Setelah berkenalan dengan data yang kita gunakan, mari kita coba implementasikan metode PAM untuk membuat segmentasi kustomer. Secara garis besar akan ada 3 langkah yang nantinya akan dilakukan, yaitu:
- Perhitungan jarak antar observasi data
- Penentuan jumlah cluster
- Pembuatan cluster
- Interpretasi
3.1.1 Perhitungan jarak antar observasi data
Dari hasil eksplorasi data, kita mengetahui bahwa total observasi data kita adalah lebih dari 6.000 baris dan setiap observasi data pastinya memiliki nilai yang berbeda. Agar nantinya hasil dari setiap kelompok terdiri dari data-data yang identik, kita harus mengetahui jarak antara satu observasi dengan observasi lainnya berdekatan atau tidak
Di R, terdapat sebuah metode yang dapat kita manfaatkan untuk
menghitung seberapa dekat satu observasi terhadap observasi lainnya.
Metode tersebut dinamakan Gower Distance, metode Gower Distance
tersimpan pada library(cluster) dan fungsi yang bisa
digunakan adalah daisy() Pada fungsi tersebut nantinya akan
ada 2 parameter yang bisa diisi, yaitu:
x: Data frame yang ingin digunakanmetric: Metode apa yang ingin digunakan, karena kita akan menggunakan metode Gower Distance, kita bisa isi dengan “gower”.
customer_gd <- daisy(x = customer_clean,
metric = "gower")3.1.2 Penentuan Jumlah Cluster
Seperti yang sudah disampaikan pada bagian pendahuluan, tujuan dari melakukan clustering adalah menempatkan setiap observasi data yang ada ke beberapa kelompok yang sesuai dengan karakteristiknya atau bedasarkan kedekatan jarak antar setiap observasi. Pada langkah pertama kita sudah memiliki informasi jarak antar setiap observasi, kita akan memanfaatkan informasi tersebut untuk menentukan berapakah kelompok yang paling optimal. Hasil dari jumlah kelompok nantinya akan digunakan untuk menentukan berapa banyak segmentasi kustomer yang bisa dibuat berdasarkan data historis pembelian kustomer.
Dalam menentukan jumlah kelompok yang paling optimum, kita data memanfaatkan metode Elbow Method. Hasil dari elbow method ini akan menghasilkan rekomendasi kelompok yang diangap paling optimum untuk digunakan.
Metode Elbow dapat kita gunakan dengan fungsi
fviz_nbclust() dari library(factoextra). Pada
fungsi tersebut nantinya akan ada 3 parameter yang bisa diisi,
yaitu:
x= data yang akan kita gunakanFUNcluster= metode cluster yang akan kita gunakanmethod= metode penentuan jumlah cluster yang akan digunakan
# Please type your code
set.seed(123)
elbow_method <- fviz_nbclust(x = as.matrix(customer_gd),
FUNcluster = pam,
method = "wss",
k.max = 5) 
Dari hasil visualisasi di atas, kita data berasumsi bahwa K = 4 karea kita dapat melihat pada titik manakah penurunan WSS tidak terlalu signifikan, pada titik itulah nantinya kita akan manfaatkan sebagai jumlah kelompok yang paling ideal.
Dislaimer: Penentuan jumlah kelompok tidak wajib menggunakan metode pengujian di atas, penentuan kelompok juga dapat ditentukan berdasarkan pertanyaan bisnis atau kesepakatan bersama.
3.1.3 Pembuatan Cluster
Sekarang kita bisa memulai tahapan terakhir yaitu mengelompokan semua
data customer ke kelompok yang sudah ditentukan dengan menggunakan
fungsi pam(). Pada fungsi tersebut nantinya akan ada 2
parameter yang bisa diisi, yaitu:
x= Data frame yang ingin digunakank= Jumlah kelompok
# Please type your code
pam_fit <- pam(x = customer_gd,
k = 4)3.1.4 Interpretasi
3.1.4.1 Metode Visualisasi
Jika dengan menggunakan metode statistik deskriptif kita bisa memahami karakteristik dari masing-masing kelompok, metode visualisasi dapat membantu kita untuk menilai bagaimana hasil pengelompokan. Metode visualisasi yang akan digunakan adalah metode t-SNE, metode ini merupakan salah satu cara untuk memvisualisasikan data yang tidak hanya memiliki nilai numerik saja melainkan nilai kategorikal juga.
# Please type your code
set.seed(123)
tsne_obj <- Rtsne(X = customer_gd,
is_distance = TRUE)
tsne_data <- tsne_obj$Y %>%
data.frame() %>%
setNames(c("X", "Y")) %>%
mutate(cluster = factor(pam_fit$clustering))
ggplot(aes(x = X, y = Y), data = tsne_data) +
geom_point(aes(color = cluster)) +
labs(title = "Visualisasi Clustering 2D") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5),
axis.title = element_blank())
3.1.4.2 Metode Deskriptif
Tujuan melakukan statistik deskriptif adalah untuk memahami karakteristik masing-masing kelompok, dan dalam kasus ini untuk mengetahui karakteristik untuk setiap segmentasi kustomer.
# Please type your code
pam_results <- customer_clean %>%
mutate(cluster = pam_fit$clustering) %>%
group_by(cluster) %>%
do(the_summary = summary(.))pam_results$the_summary[[1]]#> Customer_Age Gender Education_Level Marital_Status
#> Min. :26.00 F: 0 College : 252 Divorced: 131
#> 1st Qu.:41.00 M:1770 Doctorate : 100 Married :1256
#> Median :46.00 Graduate :1017 Single : 256
#> Mean :46.10 High School : 275 Unknown : 127
#> 3rd Qu.:51.75 Post-Graduate: 126
#> Max. :73.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + :239 Min. :0.000 Min. : 1438 Min. : 563
#> $40K - $60K :328 1st Qu.:2.000 1st Qu.: 3432 1st Qu.: 1770
#> $60K - $80K :816 Median :2.000 Median : 6894 Median : 3174
#> $80K - $120K :344 Mean :2.332 Mean :10273 Mean : 4270
#> Less than $40K: 43 3rd Qu.:3.000 3rd Qu.:13382 3rd Qu.: 4641
#> Max. :6.000 Max. :34516 Max. :17995
#> Total_Trans_Ct cluster
#> Min. : 11 Min. :1
#> 1st Qu.: 39 1st Qu.:1
#> Median : 60 Median :1
#> Mean : 61 Mean :1
#> 3rd Qu.: 78 3rd Qu.:1
#> Max. :132 Max. :1pam_results$the_summary[[2]]#> Customer_Age Gender Education_Level Marital_Status
#> Min. :26.00 F:1357 College :208 Divorced: 99
#> 1st Qu.:40.00 M: 116 Doctorate : 90 Married : 0
#> Median :46.00 Graduate :724 Single :1279
#> Mean :46.16 High School :358 Unknown : 95
#> 3rd Qu.:52.00 Post-Graduate: 93
#> Max. :65.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + : 10 Min. :0.000 Min. : 1438 Min. : 777
#> $40K - $60K : 353 1st Qu.:2.000 1st Qu.: 2067 1st Qu.: 2622
#> $60K - $80K : 0 Median :3.000 Median : 2903 Median : 4196
#> $80K - $120K : 0 Mean :2.521 Mean : 4075 Mean : 4510
#> Less than $40K:1110 3rd Qu.:3.000 3rd Qu.: 4717 3rd Qu.: 4790
#> Max. :6.000 Max. :23051 Max. :17437
#> Total_Trans_Ct cluster
#> Min. : 13.00 Min. :2
#> 1st Qu.: 54.00 1st Qu.:2
#> Median : 71.00 Median :2
#> Mean : 68.34 Mean :2
#> 3rd Qu.: 81.00 3rd Qu.:2
#> Max. :129.00 Max. :2pam_results$the_summary[[3]]#> Customer_Age Gender Education_Level Marital_Status
#> Min. :26.00 F: 13 College :212 Divorced:101
#> 1st Qu.:41.00 M:1388 Doctorate : 82 Married :278
#> Median :46.00 Graduate :287 Single :901
#> Mean :46.07 High School :702 Unknown :121
#> 3rd Qu.:52.00 Post-Graduate:118
#> Max. :65.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + :239 Min. :0.000 Min. : 1438 Min. : 530
#> $40K - $60K :190 1st Qu.:2.000 1st Qu.: 5983 1st Qu.: 2112
#> $60K - $80K :181 Median :2.000 Median :14544 Median : 3723
#> $80K - $120K :755 Mean :2.305 Mean :16605 Mean : 4758
#> Less than $40K: 36 3rd Qu.:3.000 3rd Qu.:26792 3rd Qu.: 4846
#> Max. :6.000 Max. :34516 Max. :17744
#> Total_Trans_Ct cluster
#> Min. : 10.00 Min. :3
#> 1st Qu.: 46.00 1st Qu.:3
#> Median : 66.00 Median :3
#> Mean : 65.46 Mean :3
#> 3rd Qu.: 81.00 3rd Qu.:3
#> Max. :131.00 Max. :3pam_results$the_summary[[4]]#> Customer_Age Gender Education_Level Marital_Status
#> Min. :26.00 F:1638 College :233 Divorced: 124
#> 1st Qu.:41.00 M: 57 Doctorate :109 Married :1452
#> Median :47.00 Graduate :768 Single : 0
#> Mean :46.72 High School :453 Unknown : 119
#> 3rd Qu.:52.00 Post-Graduate:132
#> Max. :68.00
#> Income_Category Months_Inactive_12_mon Credit_Limit Total_Trans_Amt
#> $120K + : 0 Min. :0.000 Min. : 1438 Min. : 510
#> $40K - $60K : 401 1st Qu.:1.000 1st Qu.: 2030 1st Qu.: 2153
#> $60K - $80K : 0 Median :2.000 Median : 2799 Median : 4055
#> $80K - $120K : 0 Mean :2.231 Mean : 3756 Mean : 4129
#> Less than $40K:1294 3rd Qu.:3.000 3rd Qu.: 4392 3rd Qu.: 4732
#> Max. :6.000 Max. :23981 Max. :17390
#> Total_Trans_Ct cluster
#> Min. : 14.00 Min. :4
#> 1st Qu.: 44.00 1st Qu.:4
#> Median : 68.00 Median :4
#> Mean : 64.24 Mean :4
#> 3rd Qu.: 81.00 3rd Qu.:4
#> Max. :131.00 Max. :4