Questo algoritmo fornisce informazioni riguardo le preferenze e le abitudini di acquisto di ogni singolo cliente. Per esempio si può sapere se spende di più nel weekend o nei giorni lavorativi o qual è il negozio preferito.
Descrizione
Come input è necessario avere a disposizione dati riguardanti le transazioni del cliente includendo dati che possono essere categorizzati: la data di acquisto, il metodo di pagamento, il sale assistant, lo store ID di ogni transazione, etc.
L’output può così includere informazioni riguardanti le preferenze del cliente: il negozio in cui compra più frequentemente, il metodo di pagamento preferito etc.
| Dati di Input | Dati di Output |
| Customer_id | Preferred store |
| Date | Preferred payment method |
| Order_id | Preferred sales assistant |
| Order_line_id | Preferred half-year |
| Product_id | Preferred month |
| Product_category | Preferred weekday |
| Amount | Preferred hour |
| Discount | |
| Sales Assistant | |
| Store_id | |
| Payment_method |
Esempi di output
| Customer ID | 11223344 |
| Top categories |
Shoes, Suite, Accessories |
| Preferred store |
Malpensa MXP Corner |
| Preferred payment method |
Credit Card |
| Preferred Sales Assistant |
Joe Smith |
| Preferred half-year |
1 |
| Preferred month |
July |
| Preferred weekday |
Weekends |
| Preferred time |
Evenings |
Tags:
- Clustering.
- Transazionale.
Pagina precedente: Comportamento d’acquisto nel tempo | Pagina seguente: RFM