Temo che tu stia scambiando programmi software e algoritmi statistici per pensare, giudicare gli esseri. Nessuno strumento può darti il ​​buono, il brutto e il cattivo. Dovrai esercitare il tuo giudizio lungo la strada! Quello di cui hai bisogno non è tanto uno strumento ma criteri ben congegnati per classificare ogni cliente. Quindi il resto è una questione di meccanica o follow-through.

L'analisi di sopravvivenza di LTV (lifetime value) è un buon punto di partenza. È piuttosto semplice, ma porta a termine il lavoro. Ma c'è molto lavoro di business intelligence che potresti fare con quello che hai. Se hai tassi di risposta agli annunci pubblicitari e simili, potrebbe anche fornirti un buon modo per esaminare l'efficacia.

Sono d'accordo con rolando2, il buono il brutto e il cattivo - essendo matematicamente definito, è impegnativo. Soprattutto senza alcun elemento comportamentale o secondario nei tuoi dati diversi dagli acquisti, anche qualcosa di semplice come il codice postale potrebbe aggiungere informazioni fantastiche ai tuoi dati per comprendere cose come il luogo di acquisto (è un negozio). Immagino che potresti segmentare per percentili LTV ... 30%, 50%, 80% (seguendo la regola aziendale 80/20 ...).

In termini di software, non ho idea di come fallo in Excel o STATA. Ma per R c'è un'introduzione mista ed un esempio di analisi di sopravvivenza usando il pacchetto survival qui: http://www.stats.uwo.ca/faculty/jones/survival_talk.pdf di Bruce Jones presso l'Università dell'Ontario occidentale. Sono canadese, fammi causa.

Nel suo esempio, Morte, sarebbe qualcosa di simile al tempo medio tra gli acquisti identificato nei dati come 0 o 1 se l'osservazione avesse effettuato un acquisto nell'ultimo tempo medio tra gli acquisti . Ad alcune persone piace impostarlo come Acquistato negli ultimi 3 mesi ... ma ovviamente è diverso per ogni tipo di attività. Non andresti in macchina ogni mese, vero? Quindi è un giudizio da parte tua.

Altrimenti, ci sono molte cose interessanti che puoi fare con i tuoi dati da una prospettiva di business intelligence. Prezzo medio di acquisto, numero di articoli acquistati in base agli stack out in un negozio o banner su un sito Web se si conosce l'ora in cui è stato inserito l'annuncio o lo stack out ... questi sono solo alcuni esempi.

Suggerirei con i tuoi dati limitati (e forse la limitata esperienza con il clustering), di creare semplicemente una codifica RFM e separare nei tre contenitori che desideri. In caso contrario, l'analisi dei cluster sui dati è un metodo di base per la segmentazione dei clienti basato su variabili transazionali (ovviamente le date devono diventare misure come la distanza tra gli acquisti, la permanenza in carica e l'attualità dell'acquisto).

In generale sono d'accordo con rolando2. Tuttavia, se sei interessato alla categorizzazione senza supervisione, esistono metodi che possono fornirti gruppi di dati senza etichetta. Uno di questi metodi è il processo di dirichlet latente (LDA) che è stato utilizzato per la scoperta automatica degli argomenti. K-Means potrebbe essere più adatto alle tue esigenze, soprattutto perché conosci il numero di categorie che ti aspetti.

Un modo per affrontare questo problema è costruire un modello di probabilità dei dati del cliente. Se hai una certa comprensione del comportamento a livello di cliente, puoi modellarlo e fare previsioni su chi sono i tuoi clienti più preziosi.

Ad esempio, potresti presumere che i clienti effettuino acquisti a una velocità costante fino a quando " morire.' Questo è il tipo di analisi di sopravvivenza menzionata da Brandon. Potresti anche costruire modelli più sofisticati che consentano eterogeneità negli acquisti e nei tassi di mortalità.

Dato che chiedi informazioni sugli strumenti software, vorrei anche suggerirti di dare un'occhiata alla mia azienda, Custora. Usiamo alcune versioni più sofisticate dei modelli che ho descritto sopra per prevedere il Lifetime Value del cliente in base ai log delle transazioni. Una delle analisi che forniamo è la segmentazione dei clienti.

Puoi considerare il problema come un problema con più obiettivi, diciamo che un buon cliente è colui che:

1. Spende un importo medio elevato per acquisto (porta denaro)
2. Fa molti acquisti (mostra fiducia)
3. Fa acquisti per un lungo periodo di tempo (mostra fedeltà)

Gli obiettivi corrispondenti sono quindi:

1. Massimizza $ importo medio speso per acquisto $
2. Massimizza $ TotalNumberOfPurchases $
3. Massimizza $ AverageTimeIntervalBetweenAcquisti $

Tratta tutti i clientisono soluzioni e ordinale utilizzando l ' ordinamento non dominato.Nota che non è necessario eseguire l'algoritmo genetico, basta ordinare le soluzioni una volta.

Supponiamo che l'ordinamento non dominato ti dia 5 gradi.Puoi assegnare i ranghi 1 e 2 come buoni clienti, il rango 3 come clienti ok e rimanere come cattivi clienti.