Neste projeto, eu simulei o caso de uma empresa de e-commerce que busca entender melhor o comportamento de seus clientes para personalizar suas campanhas de marketing. Para isso, utilizei uma base de dados com informações sobre clientes, produtos e transações realizadas entre 2010 e 2011. O objetivo é agrupar os clientes em clusters com base em seu comportamento de compra, identificando padrões e características em comum, como:
- Clientes que compram os mesmos produtos.
- Clientes que possuem a mesma frequência de compras.
- Clientes que gastam mais dinheiro em suas compras.
Esses clusters permitirão à empresa segmentar melhor sua base de clientes e personalizar suas campanhas de marketing, direcionando promoções e ofertas de acordo com o comportamento de compras.
Os dados foram obtidos a partir de um conjunto de dados disponível no Kaggle, contendo informações sobre transações de compras de uma loja de e-commerce em 38 países, com mais de 4.000 clientes únicos e mais de 540.000 transações. As colunas incluem:
| Coluna | Descrição | Tipo |
|---|---|---|
| InvoiceNo | Identificação da transação | Int |
| StockCode | Código de estoque do produto | String |
| Description | Descrição do produto | String |
| Quantity | Quantidade de produtos por transação | Int |
| InvoiceDate | Data da transação | Datetime |
| UnitPrice | Preço unitário do produto | Float |
| CustomerID | Identificação do cliente | Int |
| Country | País de origem da transação | String |
Iniciei o projeto carregando a base de dados e realizando uma descrição estatística para entender as variáveis disponíveis. A visualização das distribuições foi crucial para identificar a relevância das colunas para a análise. Além disso, verifiquei a presença de dados nulos, duplicados, outliers e demais inconsistências nos dados.
- Realizei a normalização dos dados para garantir que todas as variáveis estivessem na mesma escala.
- Selecionei as variáveis mais relevantes para o modelo, assegurando que apenas os dados pertinentes fossem utilizados.
- Removi dados nulos, duplicados e outliers para garantir a qualidade da análise.
Escolhi o algoritmo K-Means para a clusterização:
- Encontrei a quantidade ideal de clusters utilizando os métodos de Elbow e Silhouette Score.
- Implementei o algoritmo K-Means para agrupar os clientes com base em seu comportamento de compras.
Após a aplicação do algoritmo, analisei os clusters resultantes para identificar padrões e características em comum entre os clientes. Utilizei gráficos e visualizações para auxiliar na análise e interpretação dos resultados.
- Descrevi o perfil de compras dos clientes em cada cluster, identificando padrões de comportamento.
- Justifiquei como essa análise pode ser útil para a empresa na segmentação de seus clientes e na personalização das campanhas de marketing.
- Sugeri ações práticas baseadas nos insights obtidos, como o direcionamento de promoções específicas para diferentes clusters de clientes.
Ao final deste projeto, obtive uma compreensão mais profunda do comportamento dos clientes da empresa de e-commerce através da análise de clustering das métricas RFV. Esses insights podem ser utilizados para segmentar melhor a base de clientes e personalizar campanhas de marketing, resultando em um aumento na eficácia das estratégias de vendas.