Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/datalopes1/warehouse_rfv
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.
https://github.com/datalopes1/warehouse_rfv
analise-rfv data-analysis data-science kmeans python rfm-analysis
Last synced: 10 days ago
JSON representation
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.
- Host: GitHub
- URL: https://github.com/datalopes1/warehouse_rfv
- Owner: datalopes1
- Created: 2024-03-21T13:46:48.000Z (11 months ago)
- Default Branch: main
- Last Pushed: 2024-05-07T22:23:55.000Z (9 months ago)
- Last Synced: 2024-12-07T23:13:03.273Z (2 months ago)
- Topics: analise-rfv, data-analysis, data-science, kmeans, python, rfm-analysis
- Language: Jupyter Notebook
- Homepage:
- Size: 7.88 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 🏬 Análise RFV - Warehouse Sales Data
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](https://www.youtube.com/watch?v=9wxWrERZvss).
### Objetivos e resultados
O 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:
- Potencialmente Leais;
- Frequentes de Valor;
- Retenção;
- Regulares.
### 🛠️ Ferramentas utilizadas
 
## Estrutura do Dataset
Os dados são de uma rede varejista fictícia, as colunas estão organizadas dessa forma:
|Coluna|Descrição|
|-----|----------|
|**OrderNumber**|ID do pedido|
|**Sales Channel**|Canal de vendas do pedido|
|**WarehouseCode**|ID do armazém do pedido|
|**ProcuredDate**|Data de reserva do pedido|
|**OrderDate**|Data da realizaçãod do pedido|
|**ShipDate**|Data de envio|
|**DeliveryDate**|Data de entrega|
|**CurrencyCode**|Moeda utilizada na transação|
|**_SalesTeamID**|ID do time de vendas|
|**_CustomerID**|ID do cliente|
|**_StoreID**|ID da loja|
|**_ProductID**|ID do produto|
|**Order Quantity**|Quantidade de itens no pedido|
|**Discount Applied**|Desconto aplicado na compra|
|**Unit Price**|Preço unitário do produto|
|**Unit Cost**|Custo unitário|
## Bibliotecas Python utilizadas
#### Manipulação de dados
- Pandas, Numpy.
#### Visualização
- Seaborn, Matplotlib.
#### Clusterização
- KMeans.
## Insights e conclusões
### Sobre os segmentos
Pensei nos segmentos da seguinte forma:
- 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.
- 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.
- 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.
- 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.
### Sugestões para o time marketing
#### Para Clientes Potencialmente Leais
1. 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.
2. Programa de exclusividade: Oferecer acesso exclusivo a novos produtos no catálogo com certa antecedência.
#### Para Clientes Frequentes de Valor
1. 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.
#### Para Clientes de Retenção
1. Campanhas de reativação: Envio de e-mails com descontos agressivos baseados nas últimas compras feitas ou oferecer descontos para as próximas compras.
2. Pesquisas de satisfação: Envio de e-mails com pesquisa de satisfação, para entender os motivos da inatividade, com desconto especial ao final do formulário.
#### Para Clientes Regulares
1. 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.
### Conclusões
Ao 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.