Projet N°4 : Segmentez des clients d'un site e-commerce

Mise en Situation :

• Entreprise : Olist
• Logo :
• But : Fournir à ses équipes d'e-commerce une segmentation des clients qu’elles pourront utiliser au quotidien pour leurs campagnes de communication.
• Jeux de données : Base de données
• Objectifs :
  • Comprendre les différents types d’utilisateurs grâce à leur comportement et à leurs données personnelles.
  • Fournir à l’équipe marketing une description actionable de votre segmentation et de sa logique sous-jacente pour une utilisation optimale
  • Fournir une proposition de contrat de maintenance basée sur une analyse de la stabilité des segments au cours du temps.

Réalisations :

• Librairies principales : Pandas, Seaborn, Datetime, Numpy, KNNImputer, MinMaxScaler, StandardScaler
• Etapes réalisées :
  • Exploration des données :

    • Ouverture, analyse et merge des fichiers

    • Création de nouvelles variables ou transposition des données (Dates diverses, différents types de paiements ...)

    • Divers graphiques :

      

    • Etude de la géolocalisation des acheteurs et vendeurs et création d'une mesure de distance (Harvesine) :

      

    • Etude de l'assymétrie des données via Skew :

      

  • Mise au point des clusters :
    • Utilisation des variables RFM (Recence achat, Fréquence, Montant)
    • Différents tests d'ajout de variables supplémentaires et choix d'ajout du score client
    • Divers graphiques réalisés pour étayer l'analyse :

      • Cercle de corrélation pour la pertinance des variables :

        

      • Etude du Elbow pour choisir le nombre de clusters :

        

      • Etude des clusters créés :

        

      • Radar Chart pour comparer les groupes :

        

      • Pairplot pour observer les différents clients en fonction des groupes :

        

  • Simulation de la maintenance des clusters :

    • Création de définitions :

      • Toutes les étapes de nettoyage du notebook d'exploration en plusieurs définitions
      • Extraction des données (semaines ou mois)
      • création des centroides, modification des clusters, MinMaxscaler, KMeans pour ARI (différence entre les clusters X et X-1 ou -1 est le mois ou la semaine ou le trimestre précédent)

    • Etude de l'évolution des variables pertinantes mois/mois :

      

    • Etude de l'évolution des variables pertinantes semaines/semaines :

      

    • Evolution des clusters en semaine vs Août 2018 :

      

    • Evolution des clusters en mois vs Août 2018 :

      

    • Evolution des clusters en trimestre vs Août 2018 :

      

    • Evolution des groupes en fonction du contrat de maintenance :