🗃️ 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:

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

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.

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

• 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.