🧩 Customer Segmentation using K-Means Clustering

Dette prosjektet viser hvordan man kan segmentere kunder basert på alder, inntekt og kjøpsatferd ved hjelp av K-Means clustering.

Dataene kommer fra Mall Customers-datasettet (Kaggle).

---

🎯 Hva prosjektet demonstrerer

• Databehandling og skalering (StandardScaler)
• Usupervisert læring (K-Means)
• Elbow-metoden for valg av antall klynger
• Visualisering av segmentene
• Eksport av segmenterte kunder til CSV
• Lagre K-Means-modellen for videre bruk

---

🗂️ Prosjektstruktur

customer-segmentation/
├─ data/
│  └─ Mall_Customers.csv
│
├─ models/
│  └─ kmeans_model.joblib
│
├─ reports/
│  └─ clustered_customers.csv
│
├─ src/
│  ├─ train_kmeans.py
│  └─ utils.py
│
├─ notebooks/
│  └─ kmeans_segmentation.ipynb
│
├─ requirements.txt
└─ README.md

---

▶️ Kom i gang

python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt
python -m src.train_kmeans

• Resultater lagres automatisk i /models og /reports

---

📊 Viktige konsepter

• Clustering
• Sentroidberegning
• Distansescore
• Visualisering av klustre

---

🚀 Videre arbeid

• Test DBSCAN eller Agglomerative Clustering
• Legg til PCA for visualisering i 2D
• Lag Streamlit-app for dynamisk klusteranalyse

---

👤 Forfatter

• Runar Olsen

• Data Analyst – Python | Power BI | Machine Learning