Elaborando um modelo com algoritmo de clusterização
Você deverá utilizar um modelo de Clustering para criar um sistema de agrupamento de perfis de clientes para um e-commerce. Deverá analisar o modelo mais eficiente, capaz de tornar as análises mais simplificadas para a empresa.
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.
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.
Acesse os dados aqui: link
Os dados fornecidos possuem informações de transações de compras de uma loja de e-commerce em 38 países e territórios, com mais de 4.000 clientes únicos e mais de 540.000 transações.
Abaixo o dicionário e uma breve descrição dos dados:
| 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 |
Dessa forma, desenvolva um modelo de clusterização que seja capaz de agrupar os clientes conforme o seu comportamento de compras levando em consideração a métrica RFM. Analise os clusters obtidos para identificar o perfil de cliente, como padrões e características em comum para determinar o seu comportamento de compra. Utilize gráficos e visualizações para auxiliar na análise.
É essencial informar os insights obtidos e as recomendações de ações futuras para que a empresa possa colocá-los em prática.
✏️ Etapa 01) Análise exploratória dos dados
- a. Carregue a base de dados;
- b. Realize uma descrição estatística dos dados;
- c. Visualize as distribuições e identifique a relevância das colunas para a análise;
- d. Verifique a presença de dados nulos, duplicados, outliers e demais inconsistências nos dados.
✏️ Etapa 02) Pré-processamento dos dados
- a. Realize a normalização dos dados;
- b. Faça uma seleção das variáveis mais relevantes para o modelo;
- c. Remova os dados nulos, duplicados, outliers e inconsistentes.
✏️Etapa 03) Selecione um algoritmo de clusterização
- a. Escolha um algoritmo adequado para base de dados, como o K0Means, DBSCAN, Hierarquia ou Mean Shift;
- b. Encontre a quantidade ideal de clusters através dos métodos de Elbow ou Silhouette Score;
- c. Implemente o algoritmo escolhido.
✏️ Etapa 04) Analise os clusters obtidos
- a. Identifique os padrões e características em comum entre os clientes;
- b. Plote gráficos para auxiliar na análise.
✏️ Etapa 05) Interpretação dos resultados obtidos
- a. Descreva o perfil de compras dos clientes de cada cluster;
- b. Justifique como essa análise pode ser útil para empresa para segmentação de seus clientes e personalização das campanhas de marketing;
- c. Sugira ações possíveis com base nas ações realizadas.
