En un mundo donde las empresas dependen cada vez más de los datos para tomar decisiones estratégicas, la capacidad de segmentar clientes de manera efectiva se vuelve crucial. La segmentación de clientes permite a las empresas personalizar sus estrategias de marketing, mejorar la retención de éstos (clientes) y maximizar su valor como cliente a lo largo del tiempo.
El objetivo es desarrollar una aplicación web interactiva que permita a los científicos de datos realizar análisis de segmentación de clientes utilizando el modelo RFM (Recencia, Frecuencia, Valor Monetario). La aplicación proporcionará herramientas para cargar datos, realizar análisis exploratorio y visualizar resultados de segmentación mediante gráficos interactivos.
El trabajo se compondrá de un notebook donde se realiza el preprocesamiento de los datos 🧰 aplicando técnicas para tratar números duplicados, valores nulos y creación de nuevas columnas; además, realizar un EDA 📊 que permita obtener datos relevantes como cantidad de compras por mes, por horario, por día, entre otros. Finalmente, se realiza un modelo no supervisado (K-means)🤖 con la intención de crear segmentos de clientes para poder retenerlos o cautivarlos mediante estrategias de marketing.
Los documentos a entregar son los siguientes:
- Jupyter Notebook con el código del EDA y los resultados del proyecto. Se puede encontrar en la carpeta notebooks, con el nombre 'segmentacion_clients_ipynb' o en el enlace: Clic aquí
- Presentación con las visualizaciones gráficas de los resultados obtenidos. En la carpeta notebooks/Segmentacion Clientes-Retail Saviors.pdf o en el enlace: Clic aquí
- Las visualizaciones por medio de una página web. Realizada a través de github pages, se puede acceder haciendo clic aquí.
Se obtuvo una tabla con 4 segmentos los cuales se muestran a continuación:
En donde:
- El grupo 1: Catalogado como los clientes 'Platinum', que si bien tienen un tiempo corto de compra, realizan muchas compras con gastos elevados.
- El grupo 3: Catalogado como los clientes 'Gold', tardan un poquito más en comprar, pero tienen alta frecuencia y también gastan mucho.
- El grupo 2: Catalogado como los clientes 'Silver', agremia a aquellos que tardan más en comprar (menor frecuencia), compran en menores cantidades y gastan mucho menos respecto a los grupos 1 y 3.
- El grupo 0: Catalogado como los cliente 'Basic', compuesto por clientes que no se han cautivado tanto por los productos que se ofrecen en la plataforma, traduciéndose en menor tiempo de visita a la página, menor frecuencia y por ende, menos gasto económico; sin embargo, también es posible que se deba a alguna otra situación, como diseño poco amigable e intuitivo de la página, mala calidad del servicio técnico de soporte, disparidad entre lo comprado y lo recibido, entre otras.
Equipo #3 - Retail Saviors
Data Analyst: Asael Espinoza Bigurra 
Data Analyst: Maria Camila Mejia Paipa
Data Analyst: Leo Gracia
Data Scientist: Rodrigo Rocha Reza
Data Scientist: Tomás Cruz
Data Scientist: José Francisco Morales Breck
Desarrolladora web: María Elsa Tortello Ditta
