{"id":22563888,"url":"https://github.com/datalopes1/warehouse_rfv","last_synced_at":"2026-04-28T11:34:14.347Z","repository":{"id":228997601,"uuid":"775492114","full_name":"datalopes1/warehouse_rfv","owner":"datalopes1","description":"Neste projeto será realizada uma análise do tipo RFV (Recência, Frequência e Valor) com dados que encontrei neste video no Youtube do canal Jie Jenn.","archived":false,"fork":false,"pushed_at":"2024-05-07T22:23:55.000Z","size":8264,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-02T13:32:27.949Z","etag":null,"topics":["analise-rfv","data-analysis","data-science","kmeans","python","rfm-analysis"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/datalopes1.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-03-21T13:46:48.000Z","updated_at":"2024-05-07T22:23:58.000Z","dependencies_parsed_at":"2024-03-21T15:02:13.326Z","dependency_job_id":"e93a945f-b7f2-4de2-81de-119ba6b62463","html_url":"https://github.com/datalopes1/warehouse_rfv","commit_stats":null,"previous_names":["datalopes1/warehouse_rfv"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fwarehouse_rfv","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fwarehouse_rfv/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fwarehouse_rfv/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/datalopes1%2Fwarehouse_rfv/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/datalopes1","download_url":"https://codeload.github.com/datalopes1/warehouse_rfv/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":246034307,"owners_count":20712857,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["analise-rfv","data-analysis","data-science","kmeans","python","rfm-analysis"],"created_at":"2024-12-07T23:13:25.817Z","updated_at":"2026-04-28T11:34:09.313Z","avatar_url":"https://github.com/datalopes1.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🏬 Análise RFV - Warehouse Sales Data\n\nNeste projeto será realizada uma análise do tipo RFV (Recência, Frequência e Valor) com dados que encontrei neste video no Youtube do canal [Jie Jenn](https://www.youtube.com/watch?v=9wxWrERZvss).\n\n![img](https://images.unsplash.com/photo-1624927637280-f033784c1279?q=80\u0026w=2074\u0026auto=format\u0026fit=crop\u0026ixlib=rb-4.0.3\u0026ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D)\n\n### Objetivos e resultados\nO objetivo do projeto é através do algorítmo KMeans encontrar uma segmentação dos clientes para campanhas de marketing. Ao fim foi entregue uma arquivo .csv com os clientes segmentos em:\n\n- Potencialmente Leais;\n- Frequentes de Valor;\n- Retenção;\n- Regulares.\n\n### 🛠️ Ferramentas utilizadas\n![Python](https://img.shields.io/badge/python-3670A0?style=for-the-badge\u0026logo=python\u0026logoColor=ffdd54) ![Jupyter Notebook](https://img.shields.io/badge/jupyter-%23FA0F00.svg?style=for-the-badge\u0026logo=jupyter\u0026logoColor=white)\n## Estrutura do Dataset\nOs dados são de uma rede varejista fictícia, as colunas estão organizadas dessa forma:\n\n|Coluna|Descrição|\n|-----|----------|\n|**OrderNumber**|ID do pedido|\n|**Sales Channel**|Canal de vendas do pedido|\n|**WarehouseCode**|ID do armazém do pedido|\n|**ProcuredDate**|Data de reserva do pedido|\n|**OrderDate**|Data da realizaçãod do pedido|\n|**ShipDate**|Data de envio|\n|**DeliveryDate**|Data de entrega|\n|**CurrencyCode**|Moeda utilizada na transação|\n|**_SalesTeamID**|ID do time de vendas|\n|**_CustomerID**|ID do cliente|\n|**_StoreID**|ID da loja|\n|**_ProductID**|ID do produto|\n|**Order Quantity**|Quantidade de itens no pedido|\n|**Discount Applied**|Desconto aplicado na compra|\n|**Unit Price**|Preço unitário do produto|\n|**Unit Cost**|Custo unitário|\n\n## Bibliotecas Python utilizadas\n#### Manipulação de dados\n- Pandas, Numpy.\n#### Visualização\n- Seaborn, Matplotlib.\n#### Clusterização\n- KMeans.\n\n## Insights e conclusões\n### Sobre os segmentos\nPensei nos segmentos da seguinte forma:\n\n- Clientes potencialmente leais: podem estar explorando diferentes produtos dentro da empresa e têm potencial para se tornarem leais à nossa marca com o tempo. Ofertas personalizadas e outros meios de mantê-los engajados são importantes.\n- Frequentes de valor: são aqueles regulares que constantemente consomem nossos serviços. Com estes, precisamos usar estratégias de fidelização, como programas de recompensas e descontos por recorrência.\n- Clientes de retenção: possivelmente estão perdendo o interesse em nossa marca ou podem já ter encontrado outra opção. Para estes, precisamos buscar meios de reativação e incentivos para reacender a vontade de nos buscar.\n- Clientes regulares: são fiéis à nossa marca e retornam com certa regularidade. Buscar recomendações baseadas em suas últimas compras pode ser uma forma de estimular mais compras.\n\n### Sugestões para o time marketing\n#### Para Clientes Potencialmente Leais\n\n1. Campanhas de recomendações e descontos personalizados: Através de e-mail marketing, sugerir produtos relacionados ou que complementam as últimas compras, juntamente com cupons de desconto.\n2. Programa de exclusividade: Oferecer acesso exclusivo a novos produtos no catálogo com certa antecedência.\n#### Para Clientes Frequentes de Valor\n\n1. Programa de fidelidade: Oferecer recompensas a partir de metas de consumo, como descontos especiais e brindes que remetam à nossa marca, assim como eventos para clientes dentro do programa, como dias com ofertas diferenciadas.\n#### Para Clientes de Retenção\n\n1. Campanhas de reativação: Envio de e-mails com descontos agressivos baseados nas últimas compras feitas ou oferecer descontos para as próximas compras.\n2. Pesquisas de satisfação: Envio de e-mails com pesquisa de satisfação, para entender os motivos da inatividade, com desconto especial ao final do formulário.\n#### Para Clientes Regulares\n\n1. Promoções de recompensa por referência: Incentivar esses clientes a indicarem amigos ou familiares oferecendo recompensas especiais, como descontos ou brindes, para cada nova indicação bem-sucedida.\n\n\n![img](https://images.unsplash.com/photo-1563986768609-322da13575f3?q=80\u0026w=2070\u0026auto=format\u0026fit=crop\u0026ixlib=rb-4.0.3\u0026ixid=M3wxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8fA%3D%3D)\n\n\n### Conclusões\n\nAo concluir este projeto, podemos ver como, no caso do setor de marketing, a Análise RFV pode ser ponto chave para campanhas bem-sucedidas e bons resultados. Uma segmentação bem realizada permite a criação de campanhas de marketing com um direcionamento personalizado para cada tipo de cliente, dando um pouco de \"alma\" para cada campanha. A análise pode ser direcionada para diversos outros setores com fins diferentes, mas sempre entregando como resultado uma segmentação que permite trabalhar de forma ajustada e com menos espaços para erros causados por generalismos.","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdatalopes1%2Fwarehouse_rfv","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdatalopes1%2Fwarehouse_rfv","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdatalopes1%2Fwarehouse_rfv/lists"}