¿Cuál es el mejor método para asignar nuevos clientes a los grupos existentes después de la segmentación?

Question

Después de segmentar la base de clientes mediante el algoritmo k means en 5 clusters, ¿cómo asignar un nuevo cliente a uno de los 5 clusters existentes?

Emparejar sólo la media de los clusters con los valores del nuevo cliente y asignar al cluster más coincidente parece demasiado ingenuo.

¿Es la mejor solución construir un modelo de clasificación con cada una de las identificaciones de los clusters como objetivo y asignar nuevos clientes basados en el cluster con mayor probabilidad?

Answer 1

Depende de su objetivo:

• Elija la asignación de clústeres basada en la distancia euclidiana cuadrada a los centros de los clústeres para tener un enfoque coherente. Esto significa que si usted cree en los supuestos de su enfoque de clustering (K significa en su caso): igual peso para cada variable, distancia euclidiana cuadrada como métrica para la similitud, entonces usted debe atenerse a ese supuesto y seguir adelante con él.
• Construya un clasificador basado en los clusters asignados y luego haga que el clasificador decida si acepta la diferencia de suposición entre el clasificador y el enfoque de clustering. La principal ventaja de este enfoque es que puede hacer explícita la agrupación si su modelo de clasificación es comprensible. Por ejemplo, puede elegir un clasificador de árbol de decisión (aceptando las diferentes suposiciones - algunas variables pueden ser irrelevantes o menos importantes - los límites de decisión son paralelos a los ejes,.. - pero ha hecho explícitos los clusters/clases cuando mira el árbol.

Una tercera consideración es ¿cuántos clientes nuevos tiene previsto asignar? Cuando el número aumente, tendrá que decidir en un momento dado volver a ejecutar la agrupación (y en la opción b) el clasificador si observa una deriva de conceptos.

Para evaluar esta última situación, puede consultar el excelente trabajo de Pedro Domingos, et al. http://www2.denizyuret.com/ref/domingos/www.cs.washington.edu/homes/pedrod/papers/mlc01.pdf