Customer Segmentation with K-means Clustering

1. Le Contexte Métier : Pourquoi Segmenter les Clients ?

Avant de plonger dans l'algorithme, il est crucial de comprendre le problème métier que nous cherchons à résoudre. Pourquoi une institution financière ne traiterait-elle pas tous ses clients de la même manière ? La réponse réside dans l'optimisation des ressources et la personnalisation.

La segmentation client consiste à diviser une base de clients en groupes homogènes, où les individus d'un même groupe partagent des caractéristiques ou des comportements similaires. Cela permet à une entreprise de :

• Cibler ses actions marketing : Proposer des produits spécifiques à des clients plus susceptibles d'être intéressés.
• Personnaliser les services : Adapter l'expérience client pour augmenter la satisfaction et la fidélité.
• Identifier les clients à forte valeur : Concentrer les efforts sur les clients les plus rentables ("Champions").
• Gérer le risque : Mieux comprendre les profils de risque de différents segments de clientèle.

Pour mieux comprendre ces motivations, je vous invite à regarder la première partie de la vidéo suivante.

De la Segmentation Manuelle à la Segmentation par les Données : L'analyse RFM

Une approche quantitative classique pour la segmentation comportementale est l'analyse RFM :

• Récence (Recency) : Combien de temps s'est écoulé depuis le dernier achat/la dernière transaction du client ? (Un client récent est souvent plus engagé).
• Fréquence (Frequency) : À quelle fréquence le client effectue-t-il des achats/transactions ? (Un client fréquent est un client fidèle).
• Monétaire (Monetary) : Quelle est la valeur monétaire totale des achats/transactions du client ? (Un client qui dépense beaucoup est un client de grande valeur).

Ces trois indicateurs, que l'on peut calculer à partir de l'historique des transactions, sont des caractéristiques (features) que nous créons pour décrire le comportement de chaque client. Votre expérience en économétrie vous a familiarisé avec la création de variables. C'est exactement ce que nous faisons ici, un processus appelé feature engineering.

La vidéo suivante explique bien ce concept de RFM.

La question qui se pose alors est : au lieu de définir manuellement des frontières entre les segments, peut-on laisser un algorithme découvrir les groupes les plus "naturels" dans les données ? C'est précisément là que le clustering, et en particulier l'algorithme K-means, entre en jeu.

2. L'Algorithme K-means : Comment ça Marche ?

L'algorithme K-means (ou k-moyennes en français) est une méthode de partitionnement de données. Son objectif est de diviser un ensemble de N observations en K groupes distincts (les clusters), en s'assurant que chaque observation appartient au groupe dont le centre (le centroïde) est le plus proche.

L'article suivant, en français, introduit très bien le K-means dans un contexte de segmentation client pour une banque.

L'algorithme fonctionne de manière itérative en deux étapes principales :

1. Étape d'assignation (Assignment Step) : Chaque point de données est assigné au centroïde le plus proche.
2. Étape de mise à jour (Update Step) : Les centroïdes sont recalculés comme étant la moyenne (le centre de gravité) de tous les points de données qui leur ont été assignés.

Ces deux étapes sont répétées jusqu'à ce que les assignations ne changent plus, c'est-à-dire jusqu'à convergence.

La vidéo suivante offre une excellente animation visuelle de ce processus itératif.

3. Les Aspects Techniques Essentiels

Pour que K-means fonctionne correctement, quelques détails techniques, qui résonneront avec votre formation quantitative, sont primordiaux.

a) La Notion de Distance

Pour "assigner un point au centroïde le plus proche", l'algorithme a besoin d'une mesure de distance. La plus couramment utilisée est la distance euclidienne. Pour deux points $p$ et $q$ dans un espace à $n$ dimensions (avec $n$ caractéristiques), la distance est calculée comme suit :
$d(p,q)=\sqrt{{\sum }_{i=1}^n(q_i-p_i{)}^2}$
C'est la distance "à vol d'oiseau" que nous connaissons tous.

b) L'Importance de la Normalisation des Données (Scaling)

La distance euclidienne est très sensible à l'échelle des variables. Imaginez que nous segmentions des clients sur la base de deux caractéristiques : l'âge (variant de 20 à 80) et le revenu annuel (variant de 30 000€ à 150 000€). Une différence de revenu de 10 000€ pèsera beaucoup plus lourd dans le calcul de la distance qu'une différence d'âge de 10 ans. Le revenu dominerait complètement l'analyse.

Pour éviter cela, il est indispensable de normaliser (ou standardiser) les données avant d'appliquer K-means. Une méthode courante est la standardisation (ou Z-score), qui transforme chaque caractéristique pour qu'elle ait une moyenne de 0 et un écart-type de 1.
$z=\frac{(x-\mu )}{\sigma }$
Ainsi, toutes les caractéristiques contribuent de manière égale au calcul de la distance.

c) Choisir le Bon Nombre de Clusters (K)

Le "K" de K-means est un hyperparamètre : c'est un paramètre que nous devons définir avant de lancer l'algorithme. Mais comment savoir s'il faut chercher 3, 4, ou 5 clusters ? Il n'y a pas de réponse unique, mais deux méthodes heuristiques sont couramment utilisées :

1. La Méthode du Coude (Elbow Method) : On exécute l'algorithme pour différentes valeurs de K et on mesure l'inertie intra-cluster (la somme des distances au carré entre chaque point et le centroïde de son cluster). En augmentant K, l'inertie diminue toujours. On cherche le "coude" sur le graphique, c'est-à-dire le point où l'ajout d'un nouveau cluster n'apporte plus une grande réduction de l'inertie.

2. Le Score de Silhouette (Silhouette Score) : Cette métrique évalue à quel point chaque point est bien intégré dans son propre cluster par rapport aux clusters voisins. Le score varie de -1 à 1. Un score proche de 1 indique que les clusters sont denses et bien séparés. On choisit souvent le K qui maximise le score de silhouette moyen.

Ces deux méthodes sont très bien expliquées dans la vidéo et l'article suivants.

4. De la Technique à l'Action : L'Interprétation des Clusters

Avoir des clusters numérotés de 0 à 3 ne sert à rien si on ne sait pas ce qu'ils représentent. L'étape finale, et la plus cruciale, est l'interprétation. Il s'agit d'analyser les caractéristiques moyennes de chaque cluster pour leur donner un sens métier.

Par exemple, en analysant les valeurs moyennes de Récence, Fréquence et Monétaire pour chaque cluster, on peut définir des "personas" :

• Cluster 0 : Récence faible, Fréquence élevée, Monétaire élevé -> "Les Champions"
• Cluster 1 : Récence élevée, Fréquence faible, Monétaire faible -> "Clients à Risque / Dormants"
• Cluster 2 : Récence faible, Fréquence faible, Monétaire faible -> "Nouveaux Clients"

C'est cette interprétation qui permet ensuite de définir des stratégies d'action : un programme de fidélité pour les "Champions", une campagne de réactivation pour les "Clients à Risque", etc.

La section finale de la vidéo pratique montre magnifiquement ce processus d'interprétation à l'aide de graphiques (violon plots).

Les graphiques en radar, comme celui ci-dessous, sont aussi un excellent moyen de visualiser et de comparer le profil de chaque cluster sur plusieurs dimensions.

Conclusion

Dans cette leçon, nous avons décortiqué l'une des applications les plus emblématiques du machine learning non supervisé : la segmentation de la clientèle à l'aide de l'algorithme K-means. Nous avons vu que ce processus va bien au-delà de la simple exécution d'un algorithme ; il s'agit d'une démarche complète qui allie compréhension métier, préparation des données et interprétation des résultats.

Points clés à retenir :

• La segmentation client permet de créer des groupes homogènes pour des actions personnalisées.
• L'analyse RFM (Récence, Fréquence, Monétaire) est une méthode puissante pour quantifier le comportement des clients.
• L'algorithme K-means automatise la recherche de ces groupes en partitionnant les données de manière itérative autour de centroïdes.
• Des étapes techniques sont cruciales : la normalisation des données pour que toutes les caractéristiques pèsent de manière égale, et le choix du nombre de clusters K (par ex. avec la méthode du coude).
• L'étape la plus importante est l'interprétation des clusters pour leur donner un sens métier et définir des stratégies concrètes.

Maintenant que vous comprenez comment le clustering peut être utilisé pour trouver des groupes dans les données, notre prochaine leçon s'intéressera à un autre objectif de l'apprentissage non supervisé : comment trouver des individus qui ne ressemblent à aucun groupe. Nous verrons comment les techniques de détection d'anomalies peuvent être utilisées pour identifier des transactions frauduleuses.