Profil dan Interpretasi Klaster¶
Gambaran singkat¶
Apa ini? Setelah data dikelompokkan, kelompok hanya punya nomor (0, 1, 2). Pelajaran ini mengajarkan cara "mengenali" tiap kelompok dan memberinya nama yang bermakna.
Analogi
Seorang pengelola toko diberi tiga keranjang bernomor berisi data pelanggan. Ia menghitung rata-rata belanja dan kunjungan tiap keranjang, lalu menamai: "Pelanggan setia", "Pemburu diskon", "Hampir pergi". Nama inilah yang bisa dipakai tim pemasaran.
Mengapa penting? Klastering baru berguna jika hasilnya dapat dijelaskan ke orang yang mengambil keputusan, dengan satuan yang mereka pahami (rupiah, hari, kali kunjungan), bukan angka hasil scaling.
Yang akan dipelajari, berurutan:
- Membangun pipeline: transformasi log, scaling, lalu k-Means.
- Membuat profil tiap kelompok dalam satuan asli.
- Menghitung indeks terhadap rata-rata keseluruhan agar perbedaan mudah dibaca.
- Menamai segmen dan memeriksa apakah nama itu cocok.
Istilah awal:
| Istilah | Arti sederhana |
|---|---|
| Profil klaster | Ringkasan ciri rata-rata tiap kelompok |
| Indeks | Perbandingan nilai kelompok dengan rata-rata semua data (100 = sama dengan rata-rata) |
| Segmen | Nama bermakna untuk sebuah kelompok |
Tujuan pembelajaran¶
- Membangun pipeline klastering (transformasi log, scaling, k-Means).
- Membuat profil klaster dalam satuan asli dan indeks terhadap rata-rata.
- Menamai segmen secara bermakna dan memeriksa kecocokannya.
Mengapa profil?¶
Klaster hanya berupa nomor. Nilainya baru muncul setelah ditafsirkan: apa yang membedakan satu klaster dari yang lain, dalam satuan yang dimengerti pemangku kepentingan. Alur: klasterkan pada data terskala, lalu profilkan pada satuan asli.
Implementasi langkah demi langkah¶
Data pelanggan sintetis (penjelasan): 600 pelanggan, lima fitur. annual_spend dan recency_days miring ke kanan sehingga diberi transformasi log1p sebelum standardisasi. Penamaan segmen di bawah memakai aturan dari profil; nama akhir selalu keputusan manusia. Program examples/clustering/profiling.py; program lengkap ada di akhir bagian ini.
Langkah 1: pipeline klastering¶
Tujuan. Menggabungkan transformasi log, standardisasi, dan k-Means dalam satu Pipeline.
| Kode | Penjelasan |
|---|---|
skewed = ["annual_spend", "recency_days"] |
Fitur miring ke kanan yang perlu log. |
ColumnTransformer([("log", FunctionTransformer(np.log1p), skewed)], remainder="passthrough") |
Menerapkan np.log1p hanya pada kolom skewed; remainder="passthrough" meneruskan kolom lain apa adanya. (Urutan kolom keluaran: kolom log dulu, lalu sisanya.) |
Pipeline([("prep", prep), ("scale", StandardScaler()), ("km", KMeans(...))]) |
Tiga langkah berurutan; langkah terakhir adalah model. |
pipe.fit(df[features]) |
Melatih seluruh pipeline; tanpa y. |
pipe.named_steps["km"].labels_ |
Label klaster hasil k-Means (ambil langkah km menurut namanya). |
pipe[:-1].transform(df[features]) |
Menerapkan semua langkah kecuali yang terakhir ([:-1]), menghasilkan data terskala untuk menghitung silhouette. |
Hasil. Silhouette 0,428 dan ARI terhadap kelompok sebenarnya 0,927 (hanya dapat dihitung karena data sintetis).
Langkah 2: profil dalam satuan asli¶
Konsep. Klaster hanya berupa nomor. Nilainya muncul setelah ditafsirkan: klasterkan pada data terskala, lalu profilkan pada satuan asli agar dapat dimengerti pemangku kepentingan.
| profiling.py | |
|---|---|
| Kode | Penjelasan |
|---|---|
df["cluster"] = labels |
Menambahkan nomor klaster sebagai kolom di tabel asli (satuan asli). |
df.groupby("cluster")[features].mean() |
Rata-rata tiap fitur per klaster. |
profile.insert(0, "n", ...) |
Menambahkan kolom jumlah anggota (size) sebagai kolom pertama; insert(1, "n%", ...) menambahkan persentasenya. |
Profil klaster (rata-rata):
n n% annual_spend visits_per_month avg_basket recency_days age
cluster
0 141 24.0 15.4 1.5 428.0 70.5 45.6
1 123 20.0 33.0 7.6 245.9 9.8 37.7
2 152 25.0 3.5 0.8 113.9 220.7 41.4
3 184 31.0 6.6 9.1 87.9 14.0 25.3
Langkah 3: indeks terhadap rata-rata keseluruhan¶
| profiling.py | |
|---|---|
profile[features] / df[features].mean() * 100 membagi rata-rata tiap klaster dengan rata-rata seluruh pelanggan: 100 = sama dengan rata-rata keseluruhan, 200 = dua kali lipat, 50 = setengah. Indeks memudahkan melihat ciri khas klaster tanpa terkecoh perbedaan satuan.
Indeks terhadap rata-rata keseluruhan:
annual_spend visits_per_month avg_basket recency_days age
cluster
0 116 31 207 89 124
1 248 155 119 12 103
2 26 16 55 280 113
3 50 186 43 18 69
Interpretasi (profil dan indeks bersama):
| Klaster | Ukuran | Belanja/tahun | Kunjungan/bulan | Keranjang | Recency | Ciri utama |
|---|---|---|---|---|---|---|
| 1 | 123 (20%) | 33,0 juta (indeks 248) | 7,6 (155) | 246 rb (119) | 9,8 hari (12) | Belanja sangat besar, sering, baru saja berbelanja |
| 3 | 184 (31%) | 6,6 juta (50) | 9,1 (186) | 88 rb (43) | 14,0 hari (18) | Sangat sering datang, keranjang kecil, usia muda (25) |
| 0 | 141 (24%) | 15,4 juta (116) | 1,5 (31) | 428 rb (207) | 70,5 hari (89) | Jarang datang, keranjang besar, usia lebih tua (46) |
| 2 | 152 (25%) | 3,5 juta (26) | 0,8 (16) | 114 rb (55) | 220,7 hari (280) | Belanja dan kunjungan rendah, lama tidak kembali |
Langkah 4: memberi nama segmen¶
Penamaan berbasis aturan: klaster dengan recency_days terbesar dinamai "tidak aktif"; dari sisanya, annual_spend terbesar = "loyal"; lalu visits_per_month terbesar = "pemburu diskon"; sisanya "musiman". idxmax() memberi nomor klaster dengan nilai terbesar, dan remaining.discard(...) mengeluarkannya dari kandidat.
Hasil. Klaster 1 "loyal", 3 "pemburu diskon", 0 "musiman", 2 "tidak aktif". Nama hanyalah hipotesis dari profil, bukan fakta; uji dengan pemangku kepentingan.
Langkah 5: memeriksa terhadap kelompok sebenarnya¶
| profiling.py | |
|---|---|
pd.crosstab(a, b) membuat tabel silang: baris = klaster bernama, kolom = kelompok sebenarnya, isi = jumlah sampel. Idealnya tiap baris hanya berisi satu kolom besar.
Crosstab klaster vs kelompok sebenarnya:
segment_true loyal musiman pemburu_diskon tidak_aktif
cluster
loyal 117 4 2 0
musiman 1 140 0 0
pemburu diskon 1 1 179 3
tidak aktif 0 5 0 147
Interpretasi. Hampir seluruh anggota tiap klaster berasal dari satu kelompok sebenarnya (misalnya klaster "loyal" berisi 117 pelanggan loyal, 4 musiman, 2 pemburu diskon). Kesalahan terbanyak: 5 pelanggan "musiman" masuk klaster "tidak aktif". Pada data nyata crosstab seperti ini tidak tersedia; yang tersedia hanya profil dan kestabilan.
Langkah 6: gambar¶
ax.scatter(..., c=df["cluster"]) mewarnai titik menurut klaster; yscale="log" memakai sumbu-y logaritmik karena belanja miring ke kanan.

Cara membaca. Sumbu-x kunjungan per bulan, sumbu-y belanja tahunan (juta Rp, skala logaritmik); tiap titik satu pelanggan dan warna menunjukkan klaster. Keempat kelompok terpisah cukup jelas pada dua fitur ini, dengan sedikit tumpang tindih di perbatasan. Ingat bahwa klastering memakai lima fitur, sehingga grafik dua dimensi hanya sebagian gambaran. Tiap segmen perlu membawa tindakan yang berbeda (loyal: program loyalitas; tidak aktif: kampanye reaktivasi, dst.); segmen yang tidak membawa tindakan berbeda tidak berguna meski metriknya baik.
Program lengkap (profiling.py)
Kesalahan umum¶
Hindari
- Memprofilkan pada data terskala sehingga tidak dapat dibaca stakeholder.
- Menganggap nama segmen sebagai kebenaran.
- Mengabaikan ukuran klaster (klaster sangat kecil mungkin hanya outlier).
- Menafsirkan perbedaan kecil antar-klaster sebagai bermakna tanpa uji.
- Melupakan transformasi log pada fitur miring.
Latihan¶
- Tambahkan median dan IQR tiap fitur ke profil. Apakah ada klaster dengan sebaran sangat lebar?
- Ulangi tanpa transformasi log. Bagaimana silhouette dan ARI berubah?
- Beri nama alternatif untuk klaster 3 dan jelaskan mengapa nama Anda cocok.
Ringkasan¶
Klasterkan pada data terskala dan transformasi, tafsirkan pada satuan asli dengan indeks terhadap rata-rata, beri nama sebagai hipotesis, dan pastikan tiap segmen membawa tindakan yang berbeda.
Berikutnya: Menyimpan Pipeline Klastering.