Análise de Segmentação de Clientes (RFM)

Visão Geral

Este projeto implementa uma análise de segmentação de clientes utilizando a metodologia RFM (Recency, Frequency, Monetary). Através de técnicas de Machine Learning, o projeto identifica diferentes perfis de consumidores com base em seu comportamento histórico de compras, permitindo estratégias de marketing mais assertivas e personalizadas.

Objetivos

• Processar dados transacionais para extrair métricas de comportamento de compra.
• Calcular os indicadores de Recência (dias desde a última compra), Frequência (quantidade de compras) e Valor Monetário (total gasto).
• Agrupar clientes com perfis similares utilizando o algoritmo de clustering K-Means.
• Visualizar a distribuição dos segmentos e sugerir ações estratégicas para cada perfil identificado.

Base de Dados

Os dados foram retirados do artigo "RFM-Based Customer Segmentation: A Pedagogical Case Study for Marketing Analytics Education". O arquivo original está localizado em data/2855054_v1_data.csv.

As principais colunas utilizadas são:

• CustomerID: Identificador único do cliente.
• SaleID: Identificador da transação.
• SaleDate: Data e hora da compra.
• ItemValue: Valor monetário do item/venda.
• ItemDescription: Descrição do produto.

Metodologia

1. Limpeza e Preparação: Remoção de valores nulos, exclusão de clientes genéricos (ID 0) e tratamento de duplicatas.
2. Engenharia de Atributos: Cálculo das métricas R, F e M por cliente.
3. Transformação de Dados: Aplicação de escala logarítmica para mitigar a assimetria dos dados e padronização com StandardScaler.
4. Clustering: Utilização do algoritmo K-Means. O número ideal de grupos foi determinado através do Método do Cotovelo (Elbow Method) e da Análise de Silhueta.
5. Análise Visual: Uso de PCA (Principal Component Analysis) para visualização dos clusters em 2D e Snake Plots para comparação das características de cada grupo.

Resultados

A análise identificou três segmentos principais de clientes:

• Champions (Grupo 1): Clientes com baixíssima recência, alta frequência e alto valor gasto. São os melhores clientes.
• Novos/Promissores (Grupo 0): Clientes que compraram recentemente, mas ainda possuem frequência e gastos moderados.
• Em Risco/Hibernando (Grupo 2): Clientes que não compram há muito tempo e possuem baixo histórico de frequência e valor.

Como Executar

O projeto foi desenvolvido em Python, utilizando o gerenciador de pacotes uv.

1. Pré-requisitos

   • Python (versão indicada no .python-version)
   • uv instalado.

2. Instalação

   • Clone o repositório.
   • Sincronize o ambiente e instale as dependências:

   uv sync

3. Execução:

   • Abra o arquivo rfm.ipynb.
   • Execute todas as células para processar os dados, gerar os modelos de clustering e visualizar os gráficos resultantes.