https://github.com/datalopes1/olist_rfv
Uma análise RFV utilizando os dados do dataset Brazilian E-Commerce Public Dataset by Olist disponível no Kaggle
https://github.com/datalopes1/olist_rfv
kmeans kmeans-clustering python rfm-analysis
Last synced: about 2 months ago
JSON representation
Uma análise RFV utilizando os dados do dataset Brazilian E-Commerce Public Dataset by Olist disponível no Kaggle
- Host: GitHub
- URL: https://github.com/datalopes1/olist_rfv
- Owner: datalopes1
- Created: 2024-07-08T14:53:00.000Z (11 months ago)
- Default Branch: main
- Last Pushed: 2024-07-08T17:23:33.000Z (11 months ago)
- Last Synced: 2025-02-02T13:32:14.635Z (4 months ago)
- Topics: kmeans, kmeans-clustering, python, rfm-analysis
- Language: Python
- Homepage:
- Size: 6.84 KB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Gerando Planilhas de Análise RFV com Python 🏪
[Brazilian E-Commerce Public Dataset by Olist](https://www.kaggle.com/datasets/olistbr/brazilian-ecommerce) contém dados de transações realizadas por dirversos pequenos negócios brasileiros cadastrados na plataforma de vendas para marketplace. Estes pequenos negócios conseguem através do [Olist Store](https://olist.com/) vender seus produtos diretamente e os enviar através dos parceiros logísticos da Olist.
### Objetivos e resultados
A análise RFV (recencia, frequência e valor) é uma forma de fazer segmentação de clientes utilizada por setores de Marketing e CRM. Existem diversas maneiras de realizar este tipo de análise e para este projeto foi escolhida a Clusterização utilizando o algoritmo KMeans.
O objetivo portanto é usar as linguagens Python e SQL (com SQLite), para criar um código capaz de gerar uma planilha (.xlsx) com a segmentação dos clientes.
### 🛠️ Ferramentas utilizadas
   
## Estrutura dos Dados
## Bibliotecas Python utilizadas
#### Manipulação de dados
- Pandas, Numpy, OS, sqlalchemy
#### Visualizações
- Seaborn, Matplotlib
#### Machine Learning e Feature Engineering
- sklearn
# Criação do arquivo .db do SQLite
O primeiro passo no projeto foi transformar os arquivos .csv que foram disponibilizados no Kaggle.
```python
import pandas as pd
import sqlalchemy
import os
def csv_to_sqlite(db_name, directory):
engine = sqlalchemy.create_engine(f'sqlite:///{db_name}')
csv_files = [f for f in os.listdir(directory) if f.endswith('.csv')]
for csv_file in csv_files:
csv_path = os.path.join(directory, csv_file)
table_name = os.path.splitext(csv_file)[0]
df = pd.read_csv(csv_path)
df.to_sql(table_name, engine, if_exists = 'replace', index = False)
directory = '../../data/raw'
db_name = '../../data/processed/olist_data.db'
csv_to_sqlite(db_name, directory)
```
**Porque criar este database do SQLite?** A linguagem SQL é uma base sólida da carreira do Analista ou Cientista de Dados. O mais rotineiro em projetos reais será ter contato com bancos de dados e não .csv prontos para manipulação.
# Gerando a tabela de análise RFV
O passo seguinte é a criação de uma tabela que classifique os clientes por sua Recencia, Frequência e Valor Monetários gerados a empresa.
```sql
WITH tb_rf AS(
SELECT
t1.customer_unique_id AS idCustomer,
CAST(julianday('2018-10-31') - MAX(julianday(DATE(t2.order_approved_at))) AS INTEGER) AS recenciaDias,
COUNT(t2.customer_id) AS frequenciaCompras
FROM olist_customers_dataset AS t1
LEFT JOIN
olist_orders_dataset AS t2
ON t1.customer_id = t2.customer_id
GROUP BY idCustomer),
tb_val AS(
SELECT
t3.customer_unique_id AS idCustomer,
SUM(t1.payment_value) AS valorTotal,
AVG(t1.payment_value) AS valorMedio
FROM olist_order_payments_dataset AS t1
LEFT JOIN olist_orders_dataset AS t2
ON t1.order_id = t2.order_id
LEFT JOIN olist_customers_dataset AS t3
ON t2.customer_id = t3.customer_id
GROUP BY idCustomer)
SELECT
'2018-10-31' AS dtRef,
t1.*,
t2.valorTotal,
t2.valorMedio
FROM tb_rf AS t1
LEFT JOIN tb_val AS t2
ON t1.idCustomer = t2.idCustomer
```
# Definindo a segmentação
A definição do número de clusters foi realizada através do metodo do cotovelo, e teve como resultado 4 clusters.
Após a aplicação do algoritmo e análise dos resultados a segmentação foi definida em:
- Cliente Regular: Tem a maior recencia, frequência e valores médios.
- Cliente em Risco: Tem baixa recencia, frequência e valor.
- Cliente Fiel: Tem alta recencia, maior frequência e alto valor.
- Cliente de Alto Valor: Tem recencia média, alta frequêncai e maior valor.
E com isso ao final do processo será gerado um arquivo .xlsx com os valores de Data de Referência, ID Único do Cliente, Recencia, Frequencia, Valor e Segmento.