In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

Cohort Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Segmentation récence, fréquence, valeur monétaire (RFM)

Calculer les quartiles de dépense (q=4)

Calculer les déciles de récence (q=4)

Calculer les indicateurs RFM

Valeur de fréquence la plus élevée

Calculer les valeurs RFM

Créer des segments RFM

Calculer 3 groupes pour l’ancienneté et la fréquence

Calculer le score RFM

Analyser le tableau RFM

Trouver la valeur moyenne pour le segment au score RFM

Créer des segments personnalisés

Analyser des segments personnalisés

Recency, Frequency, and Monetary Value Analysis

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

Assumptions of k-means

Calculate statistics of variables

Managing skewed variables

Detect skewed variables

Manage skewness

Centering and scaling data

Center and scale manually

Center and scale with StandardScaler()

Pre-processing pipeline

Visualize RFM distributions

Pre-process RFM data

Visualize the normalized variables

Data Preprocessing for Clustering

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

Customer Segmentation with K-means 

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Les entreprises les plus performantes aujourd’hui sont celles qui connaissent si bien leurs clients qu’elles peuvent anticiper leurs besoins. Les data analysts jouent un rôle clé pour dégager ces insights approfondis et segmenter les clients afin de mieux les servir. Dans ce cours, vous apprendrez des techniques concrètes de segmentation client et d’analyse comportementale, à partir d’un jeu de données réel contenant des transactions anonymisées d’un e-commerçant. Vous commencerez par une analyse de cohortes pour comprendre les tendances clients. Vous verrez ensuite comment construire des segments clients faciles à interpréter. En complément, vous préparerez les segments créés pour les rendre prêts pour le Machine Learning. Enfin, vous renforcerez vos segments avec le clustering k-means, en seulement quelques lignes de code ! À la fin du cours, vous serez en mesure d’appliquer des techniques pratiques d’analyse comportementale client et de segmentation.

Supervised Learning with scikit-learn

Apprenez à segmenter vos données clients en Python : comportement, transactions, cohortes, analyse RFM.

Customer Segmentation in Python

Découvrez comment segmenter vos clients dans Python.

Analyse marketing en Python

Valeur de fréquence la plus élevée

Exercice interactif pratique