1. Введение Для эффективного привлечения новых клиентов любой компании крайне важно иметь представление о том, какие слои общества с наибольшей вероятностью станут клиентами. Этот проект, который является частью программы Udacity Data Science Nano Degree, демонстрирует, как использовать методы машинного обучения для решения этого вопроса. Наборы данных для этого проекта были предоставлены Arvato (дочерняя компания Bertelsmann) и включают демографические данные, относящиеся как к..

Я создал модель, которая оценивает сегментацию клиентов по кредитным картам, чтобы помочь компании определить свою маркетинговую стратегию. Я использовал алгоритм K-средних со значением K, определяемым оценкой силуэта. Я также использовал PCA для уменьшения размеров и лучшей визуализации. Источник данных: Набор данных кредитной карты для кластеризации . Содержание: Деловое понимание Понимание данных Предварительная обработка данных Нормализация данных Уменьшение размеров с..

Проблемы с несбалансированными данными: Склонность к прогнозированию большего класса Меньшие классы обычно неправильно классифицируются Набор данных: https://raw.githubusercontent.com/subashgandyer/datasets/main/great_customers.csv Особенности этого набора данных ['user_id', 'age', 'workclass', 'salary', 'education_rank', 'marital-status', 'occupation', 'race', 'sex', 'mins_beerdrinking_year', 'mins_exercising_year', 'works_hours', 'tea_per_year',..

В динамичной среде отраслей бизнес-потребитель (B2C) искусство понимания клиентов выходит за рамки простых транзакций — речь идет о построении отношений. Представьте себе шумный торговый центр, где каждый посетитель уникален в своих предпочтениях и поведении. Точно так же, как опытный хозяин предугадывает потребности своих гостей, предприятия должны предугадывать и удовлетворять разнообразные потребности своих клиентов. Именно здесь на сцену выходит сегментация клиентов. Углубляясь в..