Skip to content

Latest commit

 

History

History
107 lines (78 loc) · 5.59 KB

README.md

File metadata and controls

107 lines (78 loc) · 5.59 KB
Raw

🗃️ Customer Segmentation Project

Este projeto foi desenvolvido com o desafio de aprimorar estratégias de negócios e marketing da empresa.

Objetivos

  • Segmentação de Clientes: Realizar a separação dos clientes em Clusters para entender seus comportamentos, preferências e aprimorar o direcionamento de estratégias para cada grupo.
  • Treinamento de Limpeza de Dados: Implementar o algoritmo de Machine Learning K-Means após a preparação dos dados.

Entrega Final

  • Teremos o ID de cada cliente e seu cluster atribuído.
  • Sugestões de estratégias de marketing adaptadas às características de cada Cluster.
  • Recomendações para aprimorar a experiência do cliente com base nas particularidades de seus respectivos Clusters.

Resultados

  • Exemplo: Um determinado Cluster aceita mais campanhas de marketing, consome mais carnes e tem maior poder aquisitivo. Já outro Cluster apresenta alta possibilidade de Churn, exigindo atenção e estratégias específicas.

Estrutura

- Overview
- Entendimento do Dataset
- Exploração e Preparação dos Dados
    - Normalização das variáveis
- Modelagem
    - Método de Elbow
    - Alocação de pesos
    - Aplicação do K-Means
- Avaliação dos Resultados
    - Análise gráfica dos clusters
- Resultados Finais

Entendimento do Dataset:

  • Importação de bibliotecas e dados necessários para o projeto.
  • Os dados são públicos e foram obtidos no Kaggle.
  • Configurações de ambiente e funções para evitar poluir o notebook.
  • Primeiro contato com os dados para entender sua estrutura.

📊 Análises

Entre as variáveis analisadas, temos o exemplo dos diferentes níveis de educação que os clientes possuem no cadastro:

education

Além de usar as variáveis existentes no modelo (vinho, carne, doces, etc.), também construiu-se uma variável com o gasto geral dos clientes:

quantidade_dinheiro_por_compra

Normalização

  • Visto que será empregado um algoritmo de distâncias (K-Means), é necessário que os dados estejam normalizados porque o algoritmo é sensível à escala das variáveis.
  • Com a normalização, as variáveis passam para uma escala comum (de 0 a 1).
  • Posteriormente, podemos atribuir pesos somente às variáveis em que faz "sentido de negócio" atribuir maior peso.

Método de Elbow

  • O método de Elbow é uma técnica utilizada em projetos de clusterização para determinar o número ideal de clusters em um conjunto de dados.
  • A ideia é identificar o ponto no gráfico onde a adição de mais um cluster não resulta em uma melhoria significativa do modelo, auxiliando na escolha do número ideal.

metodo_de_elbow

Alocação de Pesos

  • Realizada em conjunto com a equipe de negócios.
  • Variáveis e seus pesos decididos conforme a importância atribuída a cada uma.
  • Por exemplo, o total de dinheiro gasto é ponderado com peso 8 por sua alta importância na separação dos clientes.

🎯 Resultados

Resumo das informações dos Clusters

  • Cluster 0: Maior Potencial

    • 28,55% dos clientes.
    • Clientes de alta renda e alta educação com poucos filhos.
    • Alta renda, alta educação, maior gasto em vinhos e frutas.
    • Aceitação significativa de campanhas de marketing.

  • Cluster 1: Oportunidades de Crescimento

    • 26,74% dos clientes.
    • Maior número de filhos por casa e maior gasto com doces.
    • Baixa renda, alta interação online, oportunidades para campanhas promocionais.

  • Cluster 2: Alta Rentabilidade

    • 19,02% dos clientes.
    • Maior renda e maior educação entre os clusters.
    • Maior número de compras e maior dinheiro gasto.
    • Maior gasto em carnes, boa aceitação de campanhas.

  • Cluster 3: Buscar Engajamento

    • 25,74% dos clientes.
    • Clientes mais jovens e de baixa renda.
    • Têm o menor gasto, alto número de compras com desconto.
    • Grupo que realiza o menor número de compras, é necessário maior atenção para evitar o Churn desses clientes.

Análise gráfica dos clusters

quantidade_de_compras_por_cluster

  • É visível graficamente que o Cluster 2 possui o maior número de compras, seguido pelo Cluster 0.
  • Os Clusters 1 e 3 apresentam semelhanças, mas ainda assim é possível ver que o menor número de compras está assossiado ao Cluster 3.

Sugestão de estratégias são orientadas conforme:

  • Marketing: Campanhas personalizadas para cada Cluster.
  • Produtos e Preços: Ajustados de acordo com as preferências de cada grupo.
  • Experiência do Cliente: Aprimorada com foco nas particularidades de cada Cluster.

Exemplo de estratégia para o Cluster 2:

  • Marketing: Destacar produtos premium, como carnes de alta qualidade, para atrair estes clientes dispostos a gastar mais;
  • Produtos e Preços: Oferecer pacotes especiais e promoções em produtos de alto valor, aproveitando o maior poder aquisitivo desse grupo;
  • Experiência do Cliente: Buscar proporcionar atendimento especial em razão do alto volume de compras. Implementar programas de fidelidade exclusivos em virtude das compras recorrentes e para construir relacionamentos duradouros.