R

Rでk-means法のクラスター分析をする方法【顧客セグメンテーション入門】

酒井 裕麻株式会社Bistro 代表取締役社長

「よく来るけれど単価は低いお客さま」「たまにしか来ないけれど、来ると高額な買い物をするお客さま」──顧客をこうした似たもの同士のグループに分けることを顧客セグメンテーションと呼びます。

この記事では、セグメンテーションでよく使われる k-means法(クラスター分析の一種)を、Rの kmeans() で行う方法を解説します。

k-means法による顧客の分類

参考記事

ggplot2でグラフを作る方法【棒・折れ線・散布図と日本語の文字化け対策】
dplyrでデータ加工入門【filter・select・mutate・group_by・summarise】
Rで決定木分析をする方法【rpartで購入者の特徴をルール化する】

k-means法とは

k-means法は、データをあらかじめ決めたk個のグループ(クラスター)に分ける方法です。

  1. k個の「中心」をランダムに置く
  2. それぞれのデータを、いちばん近い中心のグループに入れる
  3. グループごとに平均を取り、そこを新しい中心にする
  4. 中心が動かなくなるまで2と3を繰り返す

「答え(正解のグループ)」を与えずに、データの似かたからグループを見つけるので、教師なし学習とも呼ばれます。

この記事で使うデータ

架空の顧客データ customers.csv(300人分)を使います。

library(dplyr)
cust <- read.csv("customers.csv")
head(cust)

実行結果

  customer_id frequency avg_spend
1        C001        12      3560
2        C002        13      3990
3        C003         4      2720
4        C004         4      2540
5        C005        13      4300
6        C006         5      3000
列名 内容
customer_id 顧客ID
frequency 年間の来店回数
avg_spend 1回あたりの平均購入単価(円)

データを標準化する

k-means法は「データどうしの距離」でグループを作ります。そのため、単位や桁の違う項目をそのまま使うと、桁の大きい項目だけでグループが決まってしまいます。

今回の例では、来店回数は1〜20回程度、購入単価は数千〜1万円程度と、桁がまったく違います。そこで scale() を使って、どちらの項目も「平均0、標準偏差1」にそろえます(標準化)。

X <- scale(cust[, c("frequency", "avg_spend")])

kmeans()でクラスターに分ける

3つのクラスターに分けてみます。

set.seed(1)
km <- kmeans(X, centers = 3, nstart = 25)
km$size

実行結果

[1] 126  64 110
引数 意味
centers クラスターの数(k)
nstart 最初の中心の置き方を変えて何回試すか。結果が最初の置き方に左右されるので、20〜50回程度にしておくと安定する

set.seed() は、ランダムな処理の結果を毎回同じにするためのおまじないです。

クラスターの特徴を確認する

各顧客がどのクラスターに入ったかは km$cluster に入っています。元のデータに付けて、クラスターごとの平均を見てみましょう。

cust$cluster <- factor(km$cluster)

cust %>%
  group_by(cluster) %>%
  summarise(n = n(), frequency = round(mean(frequency), 1), avg_spend = round(mean(avg_spend)))

実行結果

# A tibble: 3 × 4
  cluster     n frequency avg_spend
  <fct>   <int>     <dbl>     <dbl>
1 1         126       3        2440
2 2          64       6.1      9174
3 3         110      12.2      3257

数字から、それぞれのクラスターに名前を付けてみます。

クラスター 人数 来店回数 平均単価 名前の例 施策の例
1 126人 年3.0回 2,440円 ライト層 来店のきっかけを作るクーポン
2 64人 年6.1回 9,174円 高単価層 新商品・高価格帯の案内
3 110人 年12.2回 3,257円 常連層 ポイント施策でついで買いを促す

クラスターの番号には意味がないので、平均値を見て、ビジネスの言葉で名前を付けることが大切です。

記事の冒頭のグラフは、クラスターごとに色分けした散布図です。

library(ggplot2)
theme_set(theme_gray(base_family = "Meiryo"))  # Macは "Hiragino Sans"

ggplot(cust, aes(frequency, avg_spend, color = cluster)) +
  geom_point(alpha = 0.7) +
  labs(title = "k-means法による顧客の分類", x = "来店頻度(回/年)", y = "平均購入単価(円)", color = "クラスター")

クラスター数の決め方(エルボー法)

k-means法では、クラスターの数を自分で決める必要があります。目安を得る方法の1つがエルボー法です。クラスター数を1〜8まで変えて、「クラスター内のまとまりの悪さ(クラスター内平方和)」を計算します。

wss <- sapply(1:8, function(k) {
  set.seed(1)
  kmeans(X, centers = k, nstart = 25)$tot.withinss
})
round(wss, 1)

実行結果

[1] 598.0 319.3  51.2  41.7  32.9  28.2  24.4  20.8
ggplot(data.frame(k = 1:8, wss = wss), aes(k, wss)) +
  geom_line(color = "#195379") +
  geom_point(size = 2.5, color = "#195379") +
  scale_x_continuous(breaks = 1:8) +
  labs(title = "エルボー法:クラスター数の目安", x = "クラスター数", y = "クラスター内の平方和")

エルボー法のグラフ

クラスター数を増やすほど値は小さくなりますが、3のところで急に下がり方がゆるやかになっています。この「ひじ(エルボー)」のように折れ曲がる点が、クラスター数の目安です。

ただし、エルボーがはっきりしないことも多いので、最終的には「施策として使い分けられる数か」「それぞれのクラスターに納得できる名前が付けられるか」で判断するのが実務的です。

k-means法を使うときの注意点

  • 標準化を忘れない:桁の違う項目を使うときは、必ず scale() で標準化します。
  • 結果はランダム性に左右される:nstart を大きめにし、set.seed() で結果を固定しましょう。
  • 外れ値に弱い:極端な値を持つ顧客が少数いると、その人たちだけのクラスターができることがあります。
  • 数値の項目にしか使えない:性別などのカテゴリの項目は、そのままでは使えません。

まとめ

  • kmeans(データ, centers = クラスター数, nstart = 25) でクラスター分析ができる
  • 単位の違う項目は scale() で標準化してから使う
  • クラスターごとの平均を見て、ビジネスの言葉で名前を付ける
  • クラスター数は、エルボー法と「施策として使えるか」で決める

顧客をいくつかのタイプに分けられると、「誰に・何を届けるか」が考えやすくなります。購買データや会員データで、ぜひ試してみてください。

同じことをGoogle ColabのPythonで行う方法は、Pythonでk-means法のクラスター分析をする方法【scikit-learnで顧客セグメンテーション入門】で紹介しています。

CONTACT

データ活用のお悩み、
直接相談しませんか。

「何から始めればいいかわからない」段階でも大丈夫です。課題の整理からお手伝いします。