Customer-segmentation

English | Русский

---

English

Overview

Customer segmentation analysis using unsupervised machine learning algorithms. The project identifies distinct customer groups based on demographic and behavioral attributes to enable targeted marketing strategies.

Dataset

Source: Mall Customer Segmentation Data (Kaggle)

Feature	Description
CustomerID	Unique identifier
Gender	Male / Female
Age	Customer age (18-70)
Annual Income (k$)	Annual income in thousands
Spending Score (1-100)	Mall-assigned spending score

Size: 200 customers, 5 features, no missing values

Methods

Algorithm	Description
K-Means	Centroid-based clustering with Elbow method
DBSCAN	Density-based clustering with automatic outlier detection
Hierarchical	Agglomerative clustering with Ward linkage

Dimensionality Reduction: PCA, t-SNE

Results

Metric	K-Means	DBSCAN	Hierarchical
Silhouette Score ↑	0.4284	0.2336	0.4279
Davies-Bouldin Index ↓	0.8254	0.9697	0.8259
Calinski-Harabasz ↑	135.10	37.09	134.97

Best Model: K-Means (K=6)

Customer Segments

Segment	Income	Spending	Strategy
VIP Customers	High	High	Loyalty programs, exclusive offers
High Potential	High	Low	Targeted marketing, engagement campaigns
At-Risk Spenders	Low	High	Installment plans, retention programs
Low Engagement	Low	Low	Basic promotions
Average Customers	Medium	Medium	Standard marketing

---

Русский

Описание

Сегментация клиентов с использованием алгоритмов машинного обучения без учителя. Проект выявляет группы клиентов на основе демографических и поведенческих признаков для таргетированного маркетинга.

Датасет

Источник: Mall Customer Segmentation Data (Kaggle)

Признак	Описание
CustomerID	Уникальный идентификатор
Gender	Пол (Male / Female)
Age	Возраст (18-70)
Annual Income (k$)	Годовой доход в тысячах $
Spending Score (1-100)	Оценка расходов (присвоена магазином)

Размер: 200 клиентов, 5 признаков, пропусков нет

Методы

Алгоритм	Описание
K-Means	Кластеризация на основе центроидов + метод локтя
DBSCAN	Плотностная кластеризация с детекцией выбросов
Hierarchical	Агломеративная кластеризация (метод Уорда)

Снижение размерности: PCA, t-SNE

Результаты

Метрика	K-Means	DBSCAN	Hierarchical
Silhouette Score ↑	0.4284	0.2336	0.4279
Davies-Bouldin Index ↓	0.8254	0.9697	0.8259
Calinski-Harabasz ↑	135.10	37.09	134.97

Лучшая модель: K-Means (K=6)

Сегменты клиентов

Сегмент	Доход	Расходы	Стратегия
VIP-клиенты	Высокий	Высокие	Программы лояльности, эксклюзивные предложения
Высокий потенциал	Высокий	Низкие	Таргетированный маркетинг, вовлечение
Рискованные	Низкий	Высокие	Рассрочка, программы удержания
Низкая вовлечённость	Низкий	Низкие	Базовые акции
Средние клиенты	Средний	Средние	Стандартный маркетинг