Este repositório contém um projeto de análise de marketing utilizando técnicas de segmentação RFM (Recency, Frequency, Monetary) para categorizar clientes com base em seu comportamento de compra.
O projeto é composto pelos seguintes arquivos:
marketing_campaign.xlsx: Dataset utilizado para a análise, disponível no Kaggle.analysis.ipynb: Jupyter Notebook contendo o código para análise e segmentação dos clientes.README.md: Este arquivo, que descreve o projeto e suas etapas.
O objetivo deste projeto é analisar o comportamento dos clientes e segmentá-los utilizando a técnica de RFM. A análise ajudará a entender melhor os diferentes segmentos de clientes e a desenvolver estratégias de marketing mais eficazes.
O dataset utilizado neste projeto foi obtido do Kaggle. Ele contém informações sobre clientes, incluindo dados demográficos, comportamentais e respostas a campanhas de marketing.
- ID: Identificador único do cliente.
- Year_Birth: Ano de nascimento do cliente.
- Education: Nível de educação do cliente.
- Marital_Status: Estado civil do cliente.
- Income: Renda anual do cliente.
- Kidhome: Número de crianças na casa do cliente.
- Teenhome: Número de adolescentes na casa do cliente.
- Dt_Customer: Data de cadastro do cliente.
- Recency: Número de dias desde a última compra do cliente.
- MntWines: Gasto em vinhos nos últimos 2 anos.
- MntFruits: Gasto em frutas nos últimos 2 anos.
- MntMeatProducts: Gasto em carnes nos últimos 2 anos.
- MntFishProducts: Gasto em peixes nos últimos 2 anos.
- MntSweetProducts: Gasto em doces nos últimos 2 anos.
- MntGoldProds: Gasto em produtos de ouro nos últimos 2 anos.
- NumDealsPurchases: Número de compras com desconto.
- NumWebPurchases: Número de compras pela web.
- NumCatalogPurchases: Número de compras por catálogo.
- NumStorePurchases: Número de compras em loja.
- NumWebVisitsMonth: Número de visitas ao site nos últimos 30 dias.
- AcceptedCmp1: 1 se a oferta na campanha 1 foi aceita, 0 caso contrário.
- AcceptedCmp2: 1 se a oferta na campanha 2 foi aceita, 0 caso contrário.
- AcceptedCmp3: 1 se a oferta na campanha 3 foi aceita, 0 caso contrário.
- AcceptedCmp4: 1 se a oferta na campanha 4 foi aceita, 0 caso contrário.
- AcceptedCmp5: 1 se a oferta na campanha 5 foi aceita, 0 caso contrário.
- Complain: 1 se o cliente fez uma reclamação nos últimos 2 anos, 0 caso contrário.
- Z_CostContact: Custo de contato (valor fixo).
- Z_Revenue: Receita (valor fixo).
- Response: 1 se o cliente aceitou a última campanha, 0 caso contrário.
- Carregamento do dataset.
- Verificação e tratamento de valores ausentes.
- Visualização e análise das distribuições das variáveis principais.
- Recency (Recência): Tempo desde a última compra.
- Frequency (Frequência): Número de compras realizadas.
- Monetary (Monetário): Valor gasto pelo cliente.
- Segmentação dos índices RFM em quartis.
- Cálculo do score RFM para cada cliente.
- Análise descritiva dos segmentos RFM.
- Cálculo da resposta às campanhas de marketing.
- Análise da resposta média às campanhas por segmento RFM.
Os resultados da análise mostram que clientes com scores RFM mais altos tendem a ser mais valiosos e mais receptivos às campanhas de marketing. A análise ajudará a direcionar campanhas de marketing mais eficazes para diferentes segmentos de clientes.
Para reproduzir a análise, siga os passos abaixo:
- Clone o repositório:
git clone https://github.com/seu-usuario/nome-do-repositorio.git
- Navegue até o diretório do projeto:
cd nome-do-repositorio - Instale as dependências necessárias (assumindo que você tem o
pipinstalado):pip install pandas matplotlib seaborn jupyter
- Abra o Jupyter Notebook:
jupyter notebook
- Execute o notebook
analysis.ipynbpara ver a análise completa.
Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests com melhorias.
Este projeto está licenciado sob a MIT License.
Se você quiser entrar em contato comigo ou acompanhar meu trabalho, aqui estão algumas maneiras de fazer isso:
- Email: [email protected]
- GitHub: ragnarthur
- Instagram: @arthuraraujo07