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.

Introdução à análise de coortes

Quantos clientes foram adquiridos?

Análise de cohortes

Definir coorte de aquisição diária

Calcular deslocamento de tempo em dias - parte 1

Calcular deslocamento de tempo em dias - parte 2

Métricas de coorte

Retenção de clientes

Calcule a taxa de retenção do zero

Calcular preço médio

Visualizando a análise de coorte

Visualizar a métrica de quantidade média

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.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

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

As empresas mais bem-sucedidas hoje são aquelas que conhecem tão bem seus clientes que conseguem antecipar suas necessidades. Analistas de dados têm um papel fundamental para revelar esses insights profundos e segmentar os clientes para atendê-los melhor. Neste curso, você vai aprender técnicas reais de segmentação de clientes e análise de comportamento, usando um conjunto de dados verdadeiro com transações anonimizadas de clientes de um varejista online. Primeiro, você fará uma análise de coortes para entender as tendências dos clientes. Em seguida, vai aprender a construir segmentos de clientes fáceis de interpretar. Além disso, você vai preparar os segmentos que criou, deixando-os prontos para Machine Learning. Por fim, você tornará seus segmentos mais robustos com k-means clustering, em apenas algumas linhas de código! Ao final do curso, você será capaz de aplicar técnicas práticas de análise de comportamento do cliente e segmentação.

Supervised Learning with scikit-learn

Aprenda a segmentar dados de clientes em Python, incluindo comportamento e transações.

Segmentação de Clientes em Python

Análise de marketing em Python

Retenção de clientes

Segmentação de Clientes em Python

exercicio interativo prático