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