Customer Segmentation For Marketing:

Índice

• Customer Segmentation For Marketing:
  • Índice
  • Contextualização:
  • Metodologia Aplicada:
  • Entendimento do Negócio:
  • Entendimento dos Dados:
    • Variáveis:
    • Verificando as Dimensões do DataFrame:
    • Verificando Tipos:
    • Describe:
    • Verificando Valores Nulos:
    • Verificando Valores duplicados:
    • Verificando As Variáveis Com Boxplot:
    • Verificando Distribuição:
  • Preparação dos Dados:
    • Criando Uma Copia do DataFrame:
    • Removendo nulos:
    • Convertendo a coluna 'CustomerID' para str:
    • Convertendo a coluna 'InvoiceDate' para Datetime::
    • Análise RFV:
    • Recency:
    • Frequency:
    • Monetary:
    • Merge:
    • RFV Boxplot:
    • RFV - Distribuição Recency:
    • RFV - Distribuição Frequency:
    • RFV - Distribuição Monetary:
    • Data Preparetion:
    • Testando técnicas de remoção de outliers:
    • RFV Boxplot Limpo:
    • RFV Distribuição:
  • Modelagem:
    • KMeans:
    • Gráfico Kelbow Visualizer:
    • Criando os clusters::
    • Gráfico Scatterplot3d:
    • Grupos:
    • Clusters:
    • Dataframe Clusters:
    • gráfico_heatmap:
  • Avaliação:
  • Implantação:
  • Pré-requisitos para executar o projeto:
    • Instale o Pacote Anaconda:
    • Ambiente virtual e Dependências:

Contextualização:

Você foi contratado por uma empresa de e-commerce que está buscando entender melhor o comportamento de seus clientes para personalizar as suas campanhas de marketing. Para isso, a empresa disponibilizou uma base de dados em csv contendo dados sobre clientes, produtos e transações da loja realizadas entre os anos de 2010 e 2011.

Metodologia Aplicada:

A análise foi realizada utilizando o modelo CRISP-DM, o CRISP-DM (Cross Industry Standard Process for Data Mining) é um modelo padrão de processo para projetos de mineração de dados que define um conjunto de fases e tarefas que devem ser executadas para desenvolver soluções de mineração de dados efetivas.

O modelo CRISP-DM é uma abordagem sistemática e estruturada para a mineração de dados que ajuda as empresas a desenvolver soluções de mineração de dados de maneira eficiente e eficaz, reduzindo o tempo e os custos do projeto.

Entendimento do Negócio:

Com base nesses dados, você precisa agrupar os clientes em clusters com base em seu comportamento de compra. Isso irá permitir identificar padrões e características em comum entre os clientes, como: Clientes que compram os mesmos produtos; Clientes que possuem a mesma frequência de compras; Clientes que gastam mais dinheiro em suas compras. A partir desses clusters, gere insights para que a empresa possa segmentar melhor a sua base de clientes e personalizar as suas campanhas de marketing, direcionando promoções e ofertas aos clientes com base no comportamento de compras.

Entendimento dos Dados:

Variáveis:

Verificando as Dimensões do DataFrame:

Verificando Tipos:

Describe:

Verificando Valores Nulos:

Verificando Valores duplicados:

Verificando As Variáveis Com Boxplot:

Verificando Distribuição:

Preparação dos Dados:

Criando Uma Copia do DataFrame:

Removendo nulos:

Convertendo a coluna 'CustomerID' para str:

Convertendo a coluna 'InvoiceDate' para Datetime::

Análise RFV:

Recency:

Frequency:

Monetary:

Merge:

RFV Boxplot:

RFV - Distribuição Recency:

RFV - Distribuição Frequency:

RFV - Distribuição Monetary:

Data Preparetion:

Testando técnicas de remoção de outliers:

RFV Boxplot Limpo:

RFV Distribuição:

Modelagem:

KMeans:

Gráfico Kelbow Visualizer:

Criando os clusters::

Gráfico Scatterplot3d:

Grupos:

Clusters:

Dataframe Clusters:

gráfico_heatmap:

Avaliação:

Com o objetivo de identificar e segmentar os perfis dos clientes com base em seu padrão de compra, a fim de promover campanhas de marketing mais personalizadas, chegamos a 5 grupos distintos, representando 5 perfis de clientes.

• Perfil 1: O perfil 1 apresenta a pior recência em relação aos demais, indicando que esses clientes estão afastados de nossa plataforma há mais tempo. No entanto, o perfil 1 não difere muito dos perfis 4 e 5 em relação à recência. Além disso, a frequência de acesso à nossa plataforma por parte desse perfil também é baixa, sendo a segunda mais baixa, ficando atrás apenas do perfil 5.

• Perfil 2: O perfil 2 é composto por clientes que tiveram interações muito recentes em nossa plataforma. Portanto, é importante manter esses clientes interessados em nosso e-commerce, seja por meio de anúncios de produtos relevantes que possam resolver seus problemas ou proporcionar diversão. Em resumo, o perfil 2 apresenta excelente recência, frequência adequada e gastos moderados.

• Perfil 3: O perfil 3 também é composto por clientes que entraram em contato recentemente com nossa plataforma. Eles possuem excelente recência, frequência adequada e gastos moderados.

• Perfil 4: O perfil 4 é o perfil de cliente mais engajado que temos. Apresenta recência adequada, frequência excelente e gastos consideráveis. Em suma, o perfil 4 é extremamente valioso, e cada centavo investido nesse grupo vale a pena.

• Perfil 5: O perfil 5 representa nosso perfil de cliente mais inativo. Possui recência satisfatória, frequência baixa e gastos reduzidos. Trata-se de um perfil de cliente com pouca interação e, consequentemente, baixo volume de compras.

Conclusão: Nosso principal objetivo é criar uma campanha de marketing mais personalizada, lembrando que, no final, tudo se resume a vender. Um padrão identificado foi que os clientes que mais gastam em nossa plataforma são aqueles que a frequentam com mais regularidade. Portanto, uma ideia interessante seria criar estratégias para incentivar o cliente a visitar nossa plataforma e interagir. Por exemplo, podemos oferecer um desconto de 25% a partir da compra do 3º item ou promover descontos especiais nas sextas-feiras para clientes fiéis, a fim de fidelizá-los.

Implantação:

Iniciando a etapa de implementação do modelo em produção.

Pré-requisitos para executar o projeto:

Abaixo, listarei os requisitos necessários para que o projeto funcione corretamente.

Instale o Pacote Anaconda:

Você pode baixá-lo em: https://www.anaconda.com/download/

Ambiente virtual e Dependências:

Criando ambiente virtual:

conda create -n .cluster

Entrando no ambiente virtual:

conda activate .cluster

Instale as dependências:

conda install --file core/requirements.txt

---

Linkedin: https://www.linkedin.com/in/samuel-barbosa-dev/

E-mail: [email protected]