customer_segmentation
yohanesegipratama
2022-11-28
1 Pendahuluan
1.1 Customer Segmentation
Segmentasi pasar merupakan pembagian kelompok konsumen yang memiliki kebutuhan, karateristik dan prilaku yang berbedabeda (heterogen) di dalam pasar tertentu sehingga menjadi satuan pasar yang homogen, dalam hal ini sangat membantu dalam proses pemasaran yang lebih terarah sehingga sumber daya perusahaan dapat digunakan secara efektif dan efisien contohnya memudahkan dalam membedakan pasar dan mengenal kompetitor dengan segmen yang sama.
1.2 Setup
Berikut beberapa packages yang digunakan pada artikel ini.
library(dplyr)
library(tidyverse)
library(corrplot)
library(gridExtra)
library(GGally)
library(FactoMineR)
# clustering libs
library(dbscan)
library(factoextra)
library(cluster)
# visualization libs
library(ggplot2)
library(ggthemes)2 Catatan
Pada LBB ini kita akan buat beberapa model clustering, Kmeans,Kmedoids dan DBSCAN sumber data dari Kaggle
3 Load Data
customer <- read.csv("data/Mall_Customers.csv", stringsAsFactors = T)
glimpse(customer)## Rows: 200
## Columns: 5
## $ CustomerID <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, …
## $ Gender <fct> Male, Male, Female, Female, Female, Female, Fem…
## $ Age <int> 19, 21, 20, 23, 31, 22, 35, 23, 64, 30, 67, 35,…
## $ Annual.Income..k.. <int> 15, 15, 16, 16, 17, 17, 18, 18, 19, 19, 19, 19,…
## $ Spending.Score..1.100. <int> 39, 81, 6, 77, 40, 76, 6, 94, 3, 72, 14, 99, 15…head(customer, 10)str(customer)## 'data.frame': 200 obs. of 5 variables:
## $ CustomerID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Gender : Factor w/ 2 levels "Female","Male": 2 2 1 1 1 1 1 1 2 1 ...
## $ Age : int 19 21 20 23 31 22 35 23 64 30 ...
## $ Annual.Income..k.. : int 15 15 16 16 17 17 18 18 19 19 ...
## $ Spending.Score..1.100.: int 39 81 6 77 40 76 6 94 3 72 ...4 Preprocessing
4.1 mengecheck missing value
cat("berapa missing value = ", sum(is.na(customer)), "data")## berapa missing value = 0 data4.2 menghapus kolom yang tidak digunakan (untuk modelling)
customer_clean <- customer %>%
select(-c(CustomerID, Gender))
glimpse((customer_clean))## Rows: 200
## Columns: 3
## $ Age <int> 19, 21, 20, 23, 31, 22, 35, 23, 64, 30, 67, 35,…
## $ Annual.Income..k.. <int> 15, 15, 16, 16, 17, 17, 18, 18, 19, 19, 19, 19,…
## $ Spending.Score..1.100. <int> 39, 81, 6, 77, 40, 76, 6, 94, 3, 72, 14, 99, 15…5 EDA
customer %>%
group_by(Gender) %>%
summarise(count = n()) %>%
mutate(perc = count/sum(count)*100) %>%
ggplot(aes(x = Gender,
y= perc,
fill = Gender)) +
geom_bar(stat = 'identity',
alpha = .5,
show.legend = F)+
geom_text(aes(label = paste0(perc, '%')),
size = 4,
vjust = -.5) +
labs(title = "Gender Distribution",
y = 'Percent')
table(customer$Gender)##
## Female Male
## 112 88- insight berdasarkan visualisasi diatas dapat diketahui proporsi pada kolom Gender ,ternyata Wanita mendominasi dibanding Pria yaitu 56% atau 112 dibading pria 44% atau 88
6 PCA
6.1 menyiapkan data
quanti <- customer %>%
select_if(is.numeric) %>%
colnames()quantivar <- which(colnames(customer) %in% quanti)quali <- customer %>%
select_if(is.factor) %>%
colnames()qualivar <- customer %>%
select_if(is.factor) %>%
colnames()qualivar <- which(colnames(customer) %in% quali)customer_pca <- PCA(
X = customer,
scale.unit = T,
quali.sup = qualivar,
ncp = 4,
graph = F
)
customer_pca## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 200 individuals, described by 5 variables
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$var" "results for the variables"
## 3 "$var$coord" "coord. for the variables"
## 4 "$var$cor" "correlations variables - dimensions"
## 5 "$var$cos2" "cos2 for the variables"
## 6 "$var$contrib" "contributions of the variables"
## 7 "$ind" "results for the individuals"
## 8 "$ind$coord" "coord. for the individuals"
## 9 "$ind$cos2" "cos2 for the individuals"
## 10 "$ind$contrib" "contributions of the individuals"
## 11 "$quali.sup" "results for the supplementary categorical variables"
## 12 "$quali.sup$coord" "coord. for the supplementary categories"
## 13 "$quali.sup$v.test" "v-test of the supplementary categories"
## 14 "$call" "summary statistics"
## 15 "$call$centre" "mean of the variables"
## 16 "$call$ecart.type" "standard error of the variables"
## 17 "$call$row.w" "weights for the individuals"
## 18 "$call$col.w" "weights for the variables"customer_pca$eig## eigenvalue percentage of variance cumulative percentage of variance
## comp 1 1.97911134 49.477783 49.47778
## comp 2 1.32577374 33.144344 82.62213
## comp 3 0.67276940 16.819235 99.44136
## comp 4 0.02234552 0.558638 100.00000plot.PCA(
x = customer_pca, #model dari pca
choix = "ind", #jenis visualisasi yang akan ditampilkan
habillage = "Age",#pewarnaan observasi berdasarkan variable categorical
select = "contrib 5"#menghilangkan label variable categorical
)
* insight dapat diketahui outlier antara lain 9,11, 199, 198 , 200
plot.PCA(
x = customer_pca,
choix = "var"
)
# Modelling
7 KMEANS
fviz_nbclust(
x = customer_clean,
FUNcluster = kmeans,
method = "wss"
)
* insight berdasarkan plot elbow method kita akan mengambil K sebanyak
5
customer_matrix <- data.matrix(customer[c("Gender")])
customer <- data.frame(customer, customer_matrix)
customer_field<-c("Gender.1", "Age", "Annual.Income..k..", "Spending.Score..1.100.")
customerset.seed(100)
segmentation <-kmeans(x=customer[c(customer_field)],centers=5,nstart=25)
segmentation$centers## Gender.1 Age Annual.Income..k.. Spending.Score..1.100.
## 1 1.417722 43.08861 55.29114 49.56962
## 2 1.461538 32.69231 86.53846 82.12821
## 3 1.527778 40.66667 87.75000 17.58333
## 4 1.391304 25.52174 26.30435 78.56522
## 5 1.391304 45.21739 26.30435 20.91304segmentation## K-means clustering with 5 clusters of sizes 79, 39, 36, 23, 23
##
## Cluster means:
## Gender.1 Age Annual.Income..k.. Spending.Score..1.100.
## 1 1.417722 43.08861 55.29114 49.56962
## 2 1.461538 32.69231 86.53846 82.12821
## 3 1.527778 40.66667 87.75000 17.58333
## 4 1.391304 25.52174 26.30435 78.56522
## 5 1.391304 45.21739 26.30435 20.91304
##
## Clustering vector:
## [1] 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5
## [38] 4 5 4 5 4 5 4 5 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [112] 1 1 1 1 1 1 1 1 1 1 1 1 2 3 2 1 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 1 2 3 2 3 2
## [149] 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3
## [186] 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2
##
## Within cluster sum of squares by cluster:
## [1] 30157.266 13982.051 17678.472 4627.739 8954.087
## (between_SS / total_SS = 75.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"ggplot(customer, aes(x = Annual.Income..k.. , y = Spending.Score..1.100.)) +
geom_point(stat = "identity", aes(color = as.factor(segmentation$cluster))) +
scale_color_discrete(name=" ",
breaks=c("1", "2", "3", "4", "5"),
labels=c("Cluster 1", "Cluster 5", "Cluster 3", "Cluster 4", "Cluster 2")) +
ggtitle("Mall Customer Segmens", subtitle = "K-means Clustering")
8 KMEDOIDS
segmentation_pam <- pam(customer,5)
segmentation_pam## Medoids:
## ID CustomerID Gender Age Annual.Income..k.. Spending.Score..1.100.
## [1,] 22 22 2 25 24 73
## [2,] 43 43 2 48 39 36
## [3,] 97 97 1 47 60 47
## [4,] 162 162 1 29 79 83
## [5,] 167 167 2 42 86 20
## Gender.1
## [1,] 2
## [2,] 2
## [3,] 1
## [4,] 1
## [5,] 2
## Clustering vector:
## [1] 1 1 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
## [38] 1 2 1 2 1 2 1 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
## [75] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [112] 3 3 3 3 3 3 3 3 3 3 3 3 4 3 4 3 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4
## [149] 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4 5
## [186] 4 5 4 5 4 5 4 5 4 5 4 5 4 5 4
## Objective function:
## build swap
## 27.83178 25.91679
##
## Available components:
## [1] "medoids" "id.med" "clustering" "objective" "isolation"
## [6] "clusinfo" "silinfo" "diss" "call" "data"segmentation_pam$medoids## CustomerID Gender Age Annual.Income..k.. Spending.Score..1.100. Gender.1
## [1,] 22 2 25 24 73 2
## [2,] 43 2 48 39 36 2
## [3,] 97 1 47 60 47 1
## [4,] 162 1 29 79 83 1
## [5,] 167 2 42 86 20 2fviz_cluster(
segmentation_pam,
data = customer,
choose.vars = NULL,
stand = TRUE,
axes = c(1, 2),
geom = c("point", "text"),
repel = FALSE,
show.clust.cent = TRUE,
ellipse = TRUE,
ellipse.type = "convex",
ellipse.level = 0.95,
ellipse.alpha = 0.2,
shape = NULL,
pointsize = 1.5,
labelsize = 12,
main = "Cluster plot",
xlab = NULL,
ylab = NULL,
outlier.color = "black",
outlier.shape = 19,
outlier.pointsize = pointsize,
outlier.labelsize = labelsize,
ggtheme = theme_grey()
)
9 DBSCAN
library(dbscan)segmentation_dbscan <- dbscan(customer_clean, eps = 3, minPts = 5)
segmentation_dbscan## DBSCAN clustering for 200 objects.
## Parameters: eps = 3, minPts = 5
## Using euclidean distances and borderpoints = TRUE
## The clustering contains 0 cluster(s) and 200 noise points.
##
## 0
## 200
##
## Available fields: cluster, eps, minPts, dist, borderPointshullplot(customer_clean,segmentation_dbscan$cluster)
10 Kesimpulan
Pada Project ini membuat 3 model Clustering yaitu KMEANS, KMEDOIDS, DBSCAN menghasilkan segmentasi pelanggan yaitu:
- Kmeans
HASIL Kluster 1 * Didominasi oleh perempuan, usia rata-rata adalah 43 tahun, pendapatan tahunan rata-rata 55.291 dan skor pengeluaran rata-rata adalah 49 dari 100. Kluster 2 * Didominasi oleh perempuan, usia rata-rata adalah 32 tahun, pendapatan tahunan rata-rata $86, dan skor pengeluaran rata-rata adalah 82 dari 100. Kluster 3 * Didominasi oleh laki-laki, usia rata-rata adalah 40 tahun, pendapatan tahunan rata-rata $88, dan skor pengeluaran rata-rata adalah 17 dari 100. Kluster 4 * Didominasi oleh perempuan, usia rata-rata adalah 25 tahun, pendapatan tahunan rata-rata adalah $25, dan skor pengeluaran rata-rata adalah 78 dari 100. Kluster 5 * Didominasi oleh perempuan, usia rata-rata adalah 45 tahun, pendapatan tahunan rata-rata $25, dan skor pengeluaran rata-rata adalah 20 dari 100.
Model kmeans ini berhasil mengelompokan customer dengan sangat baik.
- Kmedoids
Algoritma k-medoids merupakan pendekatan clustering yang berhubungan dengan k-means clustering untuk mempartisi suatu kumpulan data menjadi k grup atau cluster. Dalam clustering k-medoids, setiap cluster diwakili oleh salah satu titik data dalam cluster. Titik-titik ini diberi nama cluster medoids. K-medoid adalah alternatif kuat untuk pengelompokan k-means. Artinya, algoritme kurang sensitif terhadap noise dan outlier, dibandingkan dengan k-means, karena menggunakan medoid sebagai pusat klaster alih-alih mean (digunakan dalam k-means). Metode clustering k-medoids yang paling umum adalah algoritma PAM (Partitioning Around Medoids, (Kaufman and Rousseeuw 1990)).
Hasil diketahui 1 = pria 2 = wanita
Kluster 1 Didominasi oleh perempuan, usia 25 tahun, pendapatan tahunan $24 dan skor pengeluaran 73 dari 100. Kluster 2 Didominasi oleh perempuan, usia 48 tahun, pendapatan tahunan $36, dan skor pengeluaran 36 dari 100. Kluster 3 Didominasi oleh laki-laki, usia 47 tahun, pendapatan tahunan $60, dan skor pengeluaran 47 dari 100. Kluster 4 Didominasi oleh perempuan, usia 29 tahun, pendapatan tahunan $79, dan skor pengeluaran 83 dari 100. Kluster 5 Didominasi oleh perempuan, usia 42 tahun, pendapatan tahunan $86, dan skor pengeluaran 20 dari 100.
- DBSCAN
Algoritma Density-based Spatial Clustering of Application with Noise (DBSCAN) merupakan metode clustering yang berbasis kepadatan (density-based) dari posisi amatan data dengan prinsip mengelompokkan data yang relatif berdekatan. DBSCAN sering diterapkan pada data yang banyak mengandung noise, hal ini dikarenakan DBSCAN tidak akan memasukkan data yang dianggap noise kedalam cluster manapun
HASIL berdasarkan model yang dibuat, gagal mengelompokan dikarenakan Based model algoritma ini adalah kepadatan tidak cocok untuk masalah bisnis ini.
11 sumber referensi
Prakasawati, P. E., Chrisnanto, Y. H. and Hadiana, A. I. (2019) ‘Segmentasi Pelanggan Berdasarkan Produk Menggunakan Metode K- Medoids’, KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), 3(1), pp. 335–339. doi: 10.30865/komik.v3i1.1610.