Este projeto aplica técnicas de Machine Learning Não Supervisionado para segmentar clientes de um e-commerce utilizando a metodologia RFM (Recency, Frequency e Monetary)
Projeto de Ciência de Dados desenvolvido para segmentação de clientes utilizando técnicas de Machine Learning Não Supervisionado.
Visão Geral Este projeto aplica técnicas de Clusterização para identificar diferentes perfis de clientes a partir do histórico de compras de um e-commerce.
A segmentação foi construída utilizando a metodologia RFM (Recency, Frequency e Monetary), seguida pela aplicação do algoritmo K-Means para descoberta de padrões de comportamento.
O resultado permite apoiar decisões estratégicas nas áreas de:
CRM Marketing Retenção de clientes Fidelização Campanhas de reativação Objetivo Desenvolver um modelo capaz de identificar grupos de clientes com comportamentos semelhantes através de técnicas de Machine Learning Não Supervisionado.
Tecnologias Python Pandas NumPy Scikit-Learn Matplotlib Seaborn Plotly PCA K-Means RobustScaler Pipeline do Projeto Base de Dados │ ▼ Análise Exploratória │ ▼ Tratamento dos Dados │ ▼ Construção do RFM │ ▼ Transformação Log │ ▼ RobustScaler │ ▼ PCA (Visualização) │ ▼ Elbow Method │ ▼ Silhouette Score │ ▼ K-Means │ ▼ Análise dos Clusters │ ▼ Insights de Negócio Análise Exploratória
Durante a etapa de exploração foram realizadas:
Identificação de valores nulos Conversão de datas Tratamento de devoluções Remoção de registros inconsistentes Análise de outliers Winsorização das variáveis Estatísticas descritivas Engenharia de Atributos
Foram construídas três métricas fundamentais para segmentação:
Recency Quantidade de dias desde a última compra.
Frequency Número de compras realizadas.
Monetary Valor total gasto pelo cliente.
Pré-processamento
Antes do treinamento foram aplicadas:
Transformação Log (log1p) RobustScaler PCA para visualização Escolha do Modelo O algoritmo selecionado foi:
✅ K-Means
A escolha foi baseada em:
Elbow Method Silhouette Score Resultado obtido:
Melhor número de clusters: 2 Silhouette Score ≈ 0.43 Resultados Cluster 1 — VIP / Alta Lealdade Características:
Compras recentes Alta frequência Alto gasto Responsável pela maior parcela da receita Estratégias recomendadas:
Programa de fidelidade Cross Sell Upsell Benefícios exclusivos Cluster 0 — Risco de Churn Características:
Longo período sem compras Baixa frequência Baixo valor gasto Estratégias recomendadas:
Campanhas de reativação Cupons de desconto Frete grátis Comunicação personalizada Principais Insights A análise demonstrou que uma pequena parcela dos clientes concentra a maior parte do faturamento.
A utilização de técnicas de segmentação permite direcionar campanhas específicas para cada perfil, aumentando o ROI das ações de marketing.
Estrutura do Projeto customer-segmentation-rfm-kmeans/
├── notebook.ipynb ├── README.md ├── requirements.txt ├── data/ ├── images/ ├── docs/ │ └── documentacao_profissional_desafio7.pdf
Competências Demonstradas Data Cleaning Exploratory Data Analysis (EDA) Feature Engineering Customer Analytics RFM Analysis Machine Learning Unsupervised Learning K-Means Clustering Data Visualization Business Intelligence
Autor: Mikaely Alves Dias
LinkedIn: https://www.linkedin.com/in/mikaely-alves-745426218/
GitHub: https://github.com/Mikaely-ADS