Neste primeiro capítulo, você vai aprender sobre coortes e como analisá-las. Você vai criar suas próprias coortes de clientes, obter algumas métricas e visualizar seus resultados.

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

Análise de Coortes

Neste segundo capítulo, você vai aprender sobre segmentos de clientes. Especificamente, você verá recência, frequência e valor monetário, criará segmentos de clientes com base nesses conceitos e analisará seus resultados.

Segmentação por recência, frequência e valor monetário (RFM)

Calcular quartis de gasto (q=4)

Calcular decis de recência (q=4)

Calculando métricas de RFM

Maior valor de frequência

Calcular valores de RFM

Criando segmentos RFM

Calcule 3 grupos para recency e frequency

Calcular pontuação RFM

Analisando a tabela RFM

Encontre o valor médio para o segmento de pontuação RFM

Criando segmentos personalizados

Analisando segmentos personalizados

Análise de Recência, Frequência e Valor Monetário

Depois de criar alguns segmentos, você vai querer fazer previsões. Porém, antes é preciso dominar métodos práticos de preparação de dados para garantir que seu algoritmo de k-means revele segmentos bem separados e coerentes.

Pré-processamento de dados

Pressupostos do k-means

Calcular estatísticas das variáveis

Como lidar com variáveis assimétricas

Detectar variáveis assimétricas

Tratar assimetria

Centralizando e escalonando dados

Centralizar e escalar manualmente

Centralize e escale com StandardScaler()

Pipeline de pré-processamento

Visualizar distribuições RFM

Pré-processar dados de RFM

Visualize as variáveis normalizadas

Pré-processamento de Dados para Agrupamento

Neste capítulo final, você usará os dados que pré-processou no Capítulo 3 para identificar clusters de clientes com base em recência, frequência e valor monetário.

Implementação prática do k-means clustering

Rodar k-means

Atribuir rótulos aos dados brutos

Escolhendo o número de clusters

Calcular a soma dos erros quadráticos

Plotar a soma dos erros quadráticos

Perfilar e interpretar segmentos

Prepare os dados para o snake plot

Visualizar snake plot

Calcular a importância relativa de cada atributo

Plotar o heatmap de importância relativa

Solução de segmentação de ponta a ponta

Pré-processar dados

Calcular e plotar a soma dos erros quadráticos

Criar solução com 4 clusters

Analise os segmentos

Considerações finais

Segmentação de Clientes com 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.

Analisando a tabela RFM

Create Your Free Account