如何应用人工智能和机器学习来预测消费者的行为

news2024/11/15 17:29:25

应用AI和机器学习来预测消费者行为

在这篇文章中，我们将学习和分析一般的消费者行为。我们还将了解人工智能是如何帮助发现有价值的见解的，从而使公司做出正确的决定，以实现提供更好的价值和创造更好的收入的愿景。

我们还将通过一个案例进行分析，在这个案例中，我们使用数据科学和分析方法来发现有价值的见解，从而得出更好的解决方案。

前提条件

作为先决条件，读者必须对Python和机器学习有一定的了解。

什么是人工智能？

人工智能是指机器像人一样学习的能力，从而达到人类智能的水平，甚至更多。

随着人工智能领域的进步，它导致了多个行业的改进，如自动化、供应链、电子商务、制造业等等。

不仅如此，人工智能的子部分，即数据科学和机器学习已经使企业能够做出正确的决定。更简单地说，为了提高电子商务商店的收入，我们可以根据客户的喜好、最常购买的物品、以前的搜索、物品购买之间的相关性等，分析并向客户提供个性化的建议。

人工智能通过规划库存、物流、寻找趋势、模式、根据历史趋势预测未来结果、告知基于事实的决策等，在电子商务中发挥了重要作用。

了解消费者行为

消费者行为，在其最广泛的意义上，涉及到消费者如何选择、决定、使用和处置商品和服务。它涵盖了任何垂直领域的个人、团体或组织。

它对影响购买行为的消费者的情感、态度和偏好提供了一个很好的想法和见解。因此，帮助营销人员了解客户的需求，为客户带来价值，并反过来为公司创造收入。

预测消费者行为

大公司明白，预测客户行为可以填补市场空白，确定所需的产品，从而产生更大的收入。

消费者行为的预测可以通过以下方式进行。

细分：根据购买行为将顾客分成更小的群体。这有助于分离关注点，反过来帮助我们确定市场的区域。
预测分析：我们使用统计技术来分析以前的历史数据，以预测客户的未来行为。

一步一步的实施

现在，让我们用一个实时的例子来了解这是怎么做的。

了解数据集

在这个数据集中，我们有与客户相关的信息，比如。

CustomerID - 客户的ID
Gender - 客户的性别
Age - 客户的年龄
AnnualIncome - 顾客的年收入
SpendingScore - 根据客户的行为和他们的购买数据分配的分数

目的

本教程的目的是根据客户的购买数据来了解客户的行为。这有助于营销团队了解并制定相应的新策略。

导入库

对于数据探索，必须要安装一些Python库。

需要下载的库有。

[NumPy]
[Pandas]
[Matplotlib]
[Sklearn]
[剑桥大学]

import numpy as np
import pandas as pd
import sklearn
import matplotlib.pyplot as plt
import seaborn as sns
复制代码

查看数据集

在我们开始之前，让我们看一下数据集。为了查看数据集，我们必须通过读取CSV文件来导入，如下图所示。

df = pd.read_csv(r'../input/Mall_Customers.csv')
df.head()
复制代码

数据集的前5行

数据可视化

年龄、收入和消费分数之间的相关性

一个更好的营销策略是分析消费模式。在这里，让我们试着分析并找出客户的年龄、年收入和消费分数的情况。

plt.figure(1 , figsize = (15 , 6)) # sets the dimensions of image
n = 0 
for x in ['Age' , 'Annual Income (k$)' , 'Spending Score (1-100)']:
    n += 1
    plt.subplot(1 , 3 , n) # creates 3 different sub-plots
    plt.subplots_adjust(hspace =0.5 , wspace = 0.5)
    sns.distplot(df[x] , bins = 20) # creates a distribution plot
    plt.title('Distplot of {}'.format(x)) # sets title for each plot
plt.show() # displays all the plots
复制代码

输出。

年龄、年收入和消费分数的分布图

性别分析

决定策略的第二件最重要的事是根据性别分析消费模式。在这里，我们发现女性比男性更倾向于购买。

plt.figure(1 , figsize = (15 , 5))
sns.countplot(y = 'Gender' , data = df)
plt.show()
复制代码

输出。

描述男性和女性的消费模式的计数图。

客户细分

细分有助于将一组大数据划分为较小的观察组，这些观察组在与营销相关的特定方面具有相似性。

每组包含的个体之间有相似之处，但与其他组的个体不同。

细分作为一种营销工具被广泛使用，用于创建客户群，并为每个客户调整相关策略。

在这里，我们将学习根据几个因素对这些数据进行细分，并了解它是如何帮助改善现有战略的。

使用年龄和消费分数进行细分

让我们试着根据客户的年龄和他们的消费分数来细分。这有助于我们了解客户的年龄类别，这可能会提高消费分数，从而增加公司的收入。

在这里，我们必须决定可能的集群（细分）的数量，以获得最佳结果。为此，我们在1 到11 ，并找出哪个群组是正确的选择。

X_age_spending = df[['Age' , 'Spending Score (1-100)']].iloc[: , :].values # extracts only age and spending score information from the dataframe
inertia = []
for n in range(1 , 11):
    model_1 = (KMeans(n_clusters = n ,init='k-means++', n_init = 10 , max_iter=300, 
                        tol=0.0001,  random_state= 111  , algorithm='elkan')) # use predefined Kmeans algorithm
    model_1.fit(X_age_spending) # fit the data into the model
    inertia.append(model_1.inertia_)
复制代码

让我们通过一个图表来说明这个问题。

plt.figure(1 , figsize = (15 ,6)) # set dimension of image
plt.plot(np.arange(1 , 11) , inertia , 'o') # Mark the points with a solid circle
plt.plot(np.arange(1 , 11) , inertia , '-' , alpha = 0.5) # connect remaining points with a line
plt.xlabel('Number of Clusters') , plt.ylabel('Inertia') # label the x and y axes
plt.show() # display
复制代码

显示集群的线图

正如你可能注意到的，在集群4 ，线图开始变得稳定。这种方法被称为 "弯头法"。

现在，让我们进一步探索有4个集群的情况。

model_2 = (KMeans(n_clusters = 4 ,init='k-means++', n_init = 10 ,max_iter=300, 
                        tol=0.0001,  random_state= 111  , algorithm='elkan') ) # set number of clusters as 4
model_2.fit(X_age_spending) # fit the model
labels1 = model_2.labels_
centroids1 = model_2.cluster_centers_
复制代码

现在让我们把它们可视化。

在此之前，有一些绘制图形的先决条件--比如设置最大值和最小值的范围，初始化一个meshgrid() ，等等。

h = 0.02
x_min, x_max = X_age_spending[:, 0].min() - 1, X_age_spending[:, 0].max() + 1
y_min, y_max = X_age_spending[:, 1].min() - 1, X_age_spending[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = model_2.predict(np.c_[xx.ravel(), yy.ravel()])  # returns flattened 1D array
复制代码

现在，让我们来绘制图形。

plt.figure(1 , figsize = (15 , 7) )
plt.clf()
Z = Z.reshape(xx.shape)
plt.imshow(Z , interpolation='nearest', 
           extent=(xx.min(), xx.max(), yy.min(), yy.max()),
           cmap = plt.cm.Pastel2, aspect = 'auto', origin='lower')

plt.scatter( x = 'Age' ,y = 'Spending Score (1-100)' , data = df , c = labels1 , 
            s = 200 )
plt.scatter(x = centroids1[: , 0] , y =  centroids1[: , 1] , s = 300 , c = 'red' , alpha = 0.5)
plt.ylabel('Spending Score (1-100)') , plt.xlabel('Age')
plt.show()
复制代码

输出。

有4个聚类的KMeans