一种用于战略市场研究和细分的机器学习方法
机器学习是计算机科学的分支，是人工智能的一个子领域，它利用过去的数据来学习并利用其知识来制定未来的决策。机器学习处于计算机科学，工程学和统计学的交汇处。机器学习的目标是根据给定的示例概括可检测的模式或创建未知规则。
机器学习大致分为三类，但是根据情况，可以将这些类别组合起来以实现应用程序所需的结果：
监督学习：这是一种教学机器，用于学习其他变量和目标变量之间的关系，例如老师向学生提供有关其表现的反馈的方式。监督学习中的主要部分如下：
分类问题
回归问题
无监督学习：在无监督学习中，算法是在没有任何监督或没有提供任何目标变量的情况下自行学习的。这是在给定数据中查找隐藏模式和关系的问题。无监督学习的类别如下：
降维
聚类
强化学习：这允许机器或代理基于来自环境的反馈来学习其行为。在强化学习中，主体在没有监督的情况下采取了一系列果断行动，最后，他们将获得+1或-1的奖励。根据最终的回报/回报，代理评估其路径。强化学习问题更接近于人工智能方法，而不是常用的机器学习算法。
机器学习在客户分析中的主要应用
聚类是一种未知目标的无监督机器学习算法。通过将无法区分的观察分组到一个群集中，同时隔离完全不同的观察，可以估算目标。聚类涉及将n个观察值划分为p型聚类。例如，在市场分析中，分析师需要评估其他几种度量，以统计方式细分客户群体，例如年龄，收入，性别，地理位置等。基于给定的参数，一个人必须通过识别不同且可感知的子群体来进行市场细分。可能更愿意接受某种形式的广告或更可能购买某种产品的人群。
现在，为什么我们需要客户细分或集群？集群的目的是在市场营销活动中将相似的客户和产品分组的基础。公司无法定位每个客户，而是根据客户的偏好通过将客户定位在唯一的细分市场中来对客户进行分类。例如，公司可能希望根据客户的价格敏感性，产品质量和品牌忠诚度对其进行隔离。通过李克特量表测得的结果变量，值越高，表示对价格敏感性，产品质量和品牌忠诚度的倾向越大，而值越小，表示强度越低。
品牌和细分有助于企业制定以客户为导向的市场策略，从而从客户偏好中获得洞察力，从而开发有价值的客户。举个例子，像戴尔这样的世界上最大的计算机系统公司之一，根据关系型客户和交易型客户针对两类客户。基于关系的客户是公司，政府和教育部门，他们分享了很大一部分利润。另一方面，传统客户对价格敏感，希望找到低成本，更可靠，优质的服务和增值产品。
此外，良好的营销策略不仅需要细分客户群，还需要根据客户概况分析来定位和定位群体，企业对不同的细分受众群进行分类，以根据销售和营销美元做出明智的决定，从而提高ROI。最终，这可以帮助企业提供增强的客户服务并提高客户满意度。
1