分群思维（二）基于波士顿矩阵的产品分类

分群思维（二）基于波士顿矩阵的产品分类

小P：小H，我们的产品现在越来越多了，有没有好分类方法帮助分类呢

小H：有啊，典型的如波士顿矩阵产品分类法

小P：我就知道你会，给我们讲讲呗～

小H：波士顿矩阵将"销售增长率"和"市场占有率"作为衡量产量的重要因素，组合形成四种产品，也即著名的的波士顿产品分类。

Python模拟

import faker
import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import ticker
%matplotlib inline

# 初始化设置
sns.set(style="ticks")
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

def mat_class(x, y, xmean, ymean):
    '''
    根据特征xy生成四类，其中A类似于明星产品
    '''
    if x>=xmean and y>=ymean:
        cl = 'A'
    elif x>=xmean and y<ymean:
        cl = 'B'
    elif x<xmean and y>=ymean:
        cl = 'C'
    else: 
        cl = 'D'
    return cl

# 生成产品随机数
f = faker.Faker()
product = [f.unique.street_suffix() for i in range(20)] # 随机生成的街道简称替代产品名称
np.random.seed(0)
sales_growth = list(np.random.rand(20))
market_share = list(np.random.rand(20))
df = pd.DataFrame({'product':product, 'sales_growth':sales_growth, 'market_share':market_share})

sales_growth_mean = df['sales_growth'].mean()
market_share_mean = df['market_share'].mean()

df['class'] = df.apply(lambda x: mat_class(x.sales_growth, x.market_share, 
                                           sales_growth_mean, market_share_mean), axis = 1)

df.head()

	product	sales_growth	market_share	class
0	Greens	0.548814	0.978618	C
1	Park	0.715189	0.799159	A
2	Place	0.602763	0.461479	B
3	Avenue	0.544883	0.780529	C
4	Vista	0.423655	0.118274	D

# 为每个点添加对应的名称
plt.figure(figsize=(10, 8))
# 基础散点图
x, y = df['sales_growth'], df['market_share']
label = df['product']
sns.scatterplot(x=x, y=y, hue="class", data=df)
plt.xlabel('销售增长率'); plt.ylabel('市场占有率')

# 对散点图中的每一个点进行文字标注
for a,b,l in zip(x,y,label):
    plt.text(a, b+0.01, '%s.' % l, ha='center', va='bottom', 
                                             fontsize=12)

# 添加特定分割线
plt.vlines(x=sales_growth_mean, ymin=0, ymax=1,
           colors='red', linewidth=2)
plt.hlines(y=market_share_mean, xmin=0, xmax=1,
           colors='red', linewidth=2)

# # 背景网格
# plt.grid(True)
# 隐去四周的边框线条
sns.despine(trim=True, left=True, bottom=True)
plt.show()

应用

一般基于波士顿矩阵分类衍生出了类似的四象限分析法，将二维指标引申至相关的两个特征。例如通过渠道规模和渠道质量对渠道进行分类；产品功能使用率和次日留存率对产品质量进行分类等。

总结

波士顿矩阵对于二维分类具有很好的指导思想，可扩展性极强

共勉～