Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/diegoribeiro2/estruturacao_de_dados_para_analise_rfm_em_e-commerce

Empresa do ramo de e-commerce que precisa levantar os indicadores de Recência, Frequência e Ticket Médio (RFM) de seus clientes. O processo resultou em um dataset estruturado e pronto para a análise, permitindo à empresa entender melhor o comportamento de seus clientes e direcionar suas estratégias de marketing.
https://github.com/diegoribeiro2/estruturacao_de_dados_para_analise_rfm_em_e-commerce

jupyter-notebook python

Last synced: 10 days ago
JSON representation

Empresa do ramo de e-commerce que precisa levantar os indicadores de Recência, Frequência e Ticket Médio (RFM) de seus clientes. O processo resultou em um dataset estruturado e pronto para a análise, permitindo à empresa entender melhor o comportamento de seus clientes e direcionar suas estratégias de marketing.

Awesome Lists containing this project

README 

        
# Estudo de Caso: Estruturação de Dados para Análise RFM em E-commerce



## Introdução



Neste projeto, simulamos a situação onde uma empresa do ramo de e-commerce para levantar os indicadores de Recência, Frequência e Ticket Médio (RFM) de seus clientes. A metodologia RFM é uma técnica amplamente utilizada para segmentar clientes e analisar seu comportamento de compra:



- **R (Recency)**: Tempo desde a última compra do cliente (em dias).

- **F (Frequency)**: Quantidade de compras realizadas pelo cliente.

- **M (Monetary)**: Valor do ticket médio gasto pelo cliente, calculado como a média do total gasto por pedido.



## Dados Utilizados



Recebi um arquivo CSV contendo informações de compras de um e-commerce em 37 países. As colunas do dataset incluem:



- **CustomerID**: Código de identificação do cliente

- **Description**: Descrição do produto

- **InvoiceNo**: Código da fatura

- **StockCode**: Código de estoque do produto

- **Quantity**: Quantidade do produto

- **InvoiceDate**: Data do faturamento (compra)

- **UnitPrice**: Preço unitário do produto

- **Country**: País da compra



## Etapas de Desenvolvimento



### Etapa 01: Leitura e Inspeção dos Dados



Iniciei o projeto lendo o arquivo CSV e inspecionando os dados com a biblioteca Pandas. Utilize o método `describe` para entender a distribuição das variáveis e verificar os tipos de dados presentes no conjunto.



### Etapa 02: Tratamento de Valores Faltantes



Verifiquei se havia valores nulos na identificação do cliente utilizando `isna` e somando os nulos. Removi essas observações para garantir a integridade dos dados.



### Etapa 03: Filtragem de Preços e Quantidades



Realizei filtros para remover entradas com preços unitários ou quantidades iguais ou inferiores a zero. Esse passo foi crucial para eliminar dados inconsistentes que poderiam impactar as análises.



### Etapa 04: Remoção de Duplicatas



Utilizei a função `duplicated` para verificar e remover linhas duplicadas, uma vez que não faz sentido ter a mesma compra registrada mais de uma vez.



### Etapa 05: Correção dos Tipos de Dados



Corrigi os tipos de dados nas colunas relevantes, como `CustomerID` e `InvoiceDate`, para garantir que fossem apropriados para análise.



### Etapa 06: Tratamento de Outliers



Identifiquei e removi outliers extremos, considerando valores com quantidade superior a 10.000 ou preços unitários maiores que 5.000 como erros.



### Etapa 07: Cálculo do Preço Total



Criei uma nova coluna com o preço total da compra, multiplicando as colunas `Quantity` e `UnitPrice`.



### Etapa 08: Cálculo da Última Data de Compra



Utilizei a função `max()` para calcular a data da última compra registrada no dataset, que serviu como referência para o cálculo da recência.



### Etapa 09: Visualizações



Desenvolvi gráficos para analisar:

- Os 10 países com maior valor em vendas

- Os 10 produtos mais vendidos

- O valor de venda total por mês e por país (considerando apenas os 10 principais)



### Etapa 10: Cálculo do RFM



Por fim, agrupei os dados por cliente e fatura para obter a data e o preço total do pedido. Calculei o RFM da seguinte forma:

- **R**: Diferença em dias entre a última compra do cliente e a última compra no conjunto de dados.

- **F**: Quantidade total de compras feitas pelo cliente.

- **M**: Média das compras realizadas pelo cliente.



Esse processo resultou em um dataset estruturado e pronto para a análise, permitindo à empresa entender melhor o comportamento de seus clientes e direcionar suas estratégias de marketing.