メインコンテンツへスキップ

ホーム Python

コース

Pythonで学ぶカスタマーセグメンテーション

中級スキルレベル

更新日 2026/03

Pythonで顧客をセグメント化する方法を学びましょう。

コースを無料で開始

PythonData Manipulation4時間17 ビデオ55 演習4,400 XP21,590達成証明書

無料アカウントを作成

または

続行すると、弊社の利用規約、プライバシーポリシーに同意し、データが米国に保存されることに同意したことになります。

数千の企業の学習者に愛されています

2名以上のトレーニングをお考えですか？

DataCamp for Businessを試す

コース説明

今日最も成功している企業は、顧客を深く理解し、先回りしてニーズを把握しています。データアナリストは、こうした深いインサイトを引き出し、適切に顧客をセグメント化するうえで重要な役割を担います。本コースでは、オンライン小売業者の匿名化された顧客取引データを用いて、実務で使えるカスタマーセグメンテーションと行動分析の手法を学びます。まずはコホート分析を実行して、顧客トレンドを理解します。次に、解釈しやすい顧客セグメントの作り方を学びます。そのうえで、作成したセグメントをMachine Learningに使えるように準備します。最後に、数行のコードでk-meansクラスタリングを使い、セグメントをさらに強力にします。コース修了時には、実践的な顧客行動分析とセグメンテーション手法を適用できるようになります。

前提条件

Supervised Learning with scikit-learn

1

Cohort Analysis

In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

チャプター開始

2

Recency, Frequency, and Monetary Value Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

チャプター開始

3

Data Preprocessing for Clustering

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

Assumptions of k-means

Calculate statistics of variables

Managing skewed variables

Detect skewed variables

Manage skewness

Centering and scaling data

Center and scale manually

Center and scale with StandardScaler()

Pre-processing pipeline

Visualize RFM distributions

Pre-process RFM data

Visualize the normalized variables

チャプター開始

4

Customer Segmentation with K-means

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

チャプター開始

Pythonで学ぶカスタマーセグメンテーション

コース完了

修了証明書を取得

この資格をLinkedInプロフィール、履歴書、CVに追加しましょう
ソーシャルメディアや人事評価で共有しましょう今すぐ登録

19百万人を超える学習者と一緒にPythonで学ぶカスタマーセグメンテーションを今日から始めましょう！

無料アカウントを作成

または

続行すると、弊社の利用規約、プライバシーポリシーに同意し、データが米国に保存されることに同意したことになります。

DataCamp for Mobileでデータスキルを磨きましょう

モバイルコースと毎日の 5 分間のコーディングチャレンジで、外出先でも進歩できます。