Relative Wichtigkeit jedes Attributs berechnen
Jetzt berechnest du die relative Wichtigkeit der RFM-Werte innerhalb jedes Clusters.
Wir haben datamart_rfm mit rohen RFM-Werten geladen und datamart_rfm_k3, das rohe RFM-Werte und die Cluster-Labels als Cluster enthält. Die Bibliothek pandas ist ebenfalls als pd geladen.
Du kannst die Datensätze gerne in der Konsole erkunden.
Diese Übung ist Teil des Kurses
Kundensegmentierung in Python
Anleitung zur Übung
- Berechne die durchschnittlichen RFM-Werte für jedes Cluster – verwende den Datensatz
datamart_rfm_k3. - Berechne die durchschnittlichen RFM-Werte für die gesamte Kundenpopulation – verwende den Datensatz
datamart_rfm. - Berechne die relative Wichtigkeit des Attributwerts eines Clusters im Vergleich zur Population.
- Gib die Scores der relativen Wichtigkeit auf 2 Dezimalstellen gerundet aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate average RFM values for each cluster
cluster_avg = ____.groupby(['____']).____()
# Calculate average RFM values for the total customer population
population_avg = ____.____()
# Calculate relative importance of cluster's attribute value compared to population
relative_imp = ____ / ____ - ____
# Print relative importance scores rounded to 2 decimals
print(relative_imp.____(____))