En este primer capítulo, aprenderás qué son las cohortes y cómo analizarlas. Crearás tus propias cohortes de clientes, obtendrás algunas métricas y visualizarás tus resultados.

Introducción al análisis de cohortes

¿Cuántos clientes se adquirieron?

Análisis de cohortes

Asignar cohorte de adquisición diaria

Calcular el desfase temporal en días - parte 1

Calcular el desfase de tiempo en días - parte 2

Métricas de cohortes

Retención de clientes

Calcula la tasa de retención desde cero

Calcular el precio medio

Visualizar el análisis de cohortes

Visualiza la métrica de cantidad media

En este segundo capítulo, aprenderás sobre segmentos de clientes. En concreto, conocerás recency, frequency y monetary value, crearás segmentos basados en estos conceptos y analizarás tus resultados.

Segmentación RFM (Recency, Frequency, Monetary)

Calcula los cuartiles de gasto (q=4)

Calcular deciles de recencia (q=4)

Calcular métricas RFM

Valor de frecuencia más alto

Calcular valores RFM

Crear segmentos RFM

Calcula 3 grupos para recencia y frecuencia

Calcular la puntuación RFM

Analizando la tabla RFM

Encuentra el valor medio para el segmento con puntuación RFM

Creación de segmentos personalizados

Analizando segmentos personalizados

Análisis de Recency, Frequency y Monetary Value

Una vez que has creado algunos segmentos, querrás hacer predicciones. Sin embargo, antes necesitas dominar métodos prácticos de preparación de datos para garantizar que tu algoritmo de k-means clustering descubra segmentos bien separados y con sentido.

Preprocesamiento de datos

Supuestos de k-means

Calcular estadísticas de variables

Cómo manejar variables sesgadas

Detectar variables sesgadas

Gestiona la asimetría

Centrar y escalar datos

Centrar y escalar manualmente

Centrar y escalar con StandardScaler()

Flujo de preprocesamiento

Visualiza las distribuciones RFM

Preprocesar datos RFM

Visualiza las variables normalizadas

Preprocesamiento de datos para clustering

En este capítulo final, usarás los datos que preprocesaste en el Capítulo 3 para identificar grupos de clientes según su recency, frequency y monetary value.

Implementación práctica del clustering k-means

Ejecuta k-means

Asignar etiquetas a los datos en bruto

Elegir el número de clústeres

Calcular la suma de errores al cuadrado

Representa la suma de errores al cuadrado

Perfila e interpreta segmentos

Prepara los datos para el snake plot

Visualiza el snake plot

Calcula la importancia relativa de cada atributo

Representa el mapa de calor de importancia relativa

Solución de segmentación de extremo a extremo

Preprocesa los datos

Calcula y representa la suma de errores cuadrados

Construye una solución de 4 clústeres

Analiza los segmentos

Reflexiones finales

Segmentación de clientes con K-means 

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Las empresas más exitosas hoy son las que conocen tan bien a sus clientes que pueden anticipar sus necesidades. Las personas analistas de datos tienen un papel clave para desbloquear estos conocimientos en profundidad y segmentar a los clientes para atenderlos mejor. En este curso, aprenderás técnicas reales de segmentación de clientes y analítica del comportamiento, usando un conjunto de datos real con transacciones anonimizadas de un minorista online. Primero, harás un análisis de cohortes para entender las tendencias de los clientes. Después, verás cómo construir segmentos de clientes fáciles de interpretar. Además, prepararás los segmentos que creaste para que estén listos para Machine Learning. Por último, potenciarás tus segmentos con k-means clustering, ¡en solo unas pocas líneas de código! Al finalizar, serás capaz de aplicar técnicas prácticas de analítica del comportamiento del cliente y de segmentación.

Supervised Learning with scikit-learn

Aprende a segmentar datos de clientes en Python: comportamiento, transacciones y cohortes. RFM y más.

Introducción al análisis de cohortes

Create Your Free Account