La segmentation des clients est un élément crucial de l'analyse marketing moderne et de l'intelligence d'affaires. Cet article présente une analyse comparative de trois algorithmes d'apprentissage machine non supervisés largement utilisés — K-Means, DBSCAN (Clustering spatial basé sur la densité des applications avec bruit) et Clustering hiérarchique agglomératif — dans le but de segmenter les clients dans le domaine de la vente au détail. Le jeu de données de vente au détail en ligne UCI est prétraité et transformé à l'aide d'une analyse RFM (Récence, Fréquence, Monétaire) pour extraire des caractéristiques comportementales significatives. Chaque algorithme est appliqué à l'espace des caractéristiques RFM et évalué à l'aide du score de silhouette, de l'index de Davies-Bouldin et de l'index de Calinski-Harabasz. Des visualisations de clusters sont générées à l'aide de l'analyse en composantes principales (ACP) pour la réduction de dimensionnalité. Les résultats expérimentaux montrent que K-Means atteint une qualité de segmentation supérieure en termes de score de silhouette, tandis que DBSCAN identifie efficacement les clients hors norme. Cette étude fournit une norme structurée pour sélectionner les méthodes de clustering appropriées dans l'analyse des clients et offre des informations exploitables pour la formulation de stratégies de marketing personnalisées.
Nigam et al. (Mon,) ont étudié cette question.