Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/sebastianurdaneguibisalaya/segmentacion-rfm
El presente repositorio tiene como objetivo brindar una librería en Python que sea capaz de recibir input de las transacciones comerciales para brindar como output una segmentación RFM para la óptima toma de decisiones empresariales.
https://github.com/sebastianurdaneguibisalaya/segmentacion-rfm
Last synced: 26 days ago
JSON representation
El presente repositorio tiene como objetivo brindar una librería en Python que sea capaz de recibir input de las transacciones comerciales para brindar como output una segmentación RFM para la óptima toma de decisiones empresariales.
- Host: GitHub
- URL: https://github.com/sebastianurdaneguibisalaya/segmentacion-rfm
- Owner: SebastianUrdaneguiBisalaya
- License: mit
- Created: 2023-08-10T22:24:46.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2023-08-19T05:40:29.000Z (over 1 year ago)
- Last Synced: 2024-12-07T20:29:12.655Z (about 2 months ago)
- Language: Jupyter Notebook
- Size: 1.15 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# **Segmentación RFM** 📊🤓
El presente repositorio tiene como objetivo la creación y explicación del funcionamiento de la librería ***RFMCustomer*** 📊 en Python que es capaz de recibir input de las transacciones comerciales de los clientes para retornar como output una segmentación RFM para la óptima toma de decisiones empresariales.
## **Teoría Segmentación RFM**
**RFM** (Recency, Frequency and Monetary). Básicamente, es un score para la segmentación de los consumidores enfocado en el análisis de la compra reciente, la frecuencia y el monto de la compra por parte del cliente. 🛒 **En líneas generales, su función es utilizar los patrones de consumo del cliente para identificar el segmento al cual pertenece 🧑🤝🧑**.
**Contexto para el ejemplo:**
La empresa desea realizar una segmentación RFM y toma como fecha de corte el 14 de agosto de 2023.
Sebastian es cliente de SportShoes S.A.C. Él realizó su última compra el 8 de agosto de 2023. Desde que realizó la primera compra del producto de la empresa hasta la fecha de corte, Sebastian realizó 9 compras con un monto total de S/. 5,000.00.
1. **Recency**
¿Hace cuánto el cliente realizó su última compra?
***Ejemplo:*** Sebastian realizó su última compra hace 6 días.
2. **Frequency**
¿Cuál es la frecuencia de compra del cliente?
***Ejemplo:*** Sebastian tiene una cantidad de órdenes total de 9 veces.
3. **Monetary**
¿Cuánto dinero gastó el cliente en sus compras en el establecimiento?
**Ejemplo:** Sebastian gastó en total S/. 5,000.00 en la compra de productos de la empresa SportShoes S.A.C. (En ocasiones, suele usarse el promedio de los montos de compra.)
## **Pasos para el uso de la librería RFMCustomer**
Pueden descargar el dataset que utilice de ejemplo desde mi perfil de GitHub haciendo clic aquí:
1. Abrir un notebook en Google Colab (también puedes usar VSCode, Anaconda o cualquier IDE). Clic aquí
2. Luego de abrir el entorno de Google Colab, debemos inicializar el entorno e importar las librerías.
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
```
1. Después, debemos instalar la librería **RFMCustomer**
```python
pip install RFMCustomer==0.1.1
```
### **¡Perfecto, podemos hacer uso de la librería!**
En este caso, tengo un dataset con los siguientes nombres de columnas:
```python
Columnas del dataset
Index(['Row ID', 'Order ID', 'Order Date', 'Ship Date', 'Ship Mode',
'Customer ID', 'Customer Name', 'Segment', 'Country', 'City', 'State',
'Postal Code', 'Region', 'Product ID', 'Category', 'Sub-Category',
'Product Name', 'Sales'],
dtype='object')
```
En general, nuestro dataset puede tener n-columnas. No obstante, es escencial que se cuente con las columnas que hagan referencia a la identificación del consumidor **(en el presente caso, la columna es Row ID)**, el día en que se ejecutó la venta del producto o el día en que se generó la fecha de orden **(Order Date)**, una columna de venta total (precio por cantidad) por registro **(Sales)**, en el caso no se cuente la columna de venta total se debe generar una columna producto entre el precio de venta y la cantidad.
Luego, esas columnas escenciales pueden estar nombradas de diferente forma pero es necesario que renombremos esas columnas para hacer el uso de los módulos que se derivan de la clase **RFMCustomer**.
Es preciso mencionar que la clase RFMCustomer requiere de 4 nombres de columnas escenciales: **Order ID**, **Date**, **Customer ID** y **Sales**.
Recalco, sí o sí se deben tener estos nombres asignados en las columnas. Le asigno el nombre de columna **Order ID** a la columna que haga referencia al ID del registro de transacción o cualquier columna que no tenga valores nulos.
Dado que nuestro dataset cumple con los nombres de las columnas requeridas por la librería excepto por la columna **Order Date** que debería decir **Date** y hace referencia a la fecha del registro de la transacción comercial o día del pedido, debemos renombrarla.
Te brindo un ejemplo del código en Python
para renombrar columnas:
```python
data = data.rename(columns = {
'Order Date' : 'Date
})
```
Después, debemos tomar la columna **Date** y convertirla al formato fecha ***yyyymmdd*** requerido por la librería de la siguiente forma:
```python
data["Date"] = pd.to_datetime(data["Date"]).dt.strftime("%Y%m%d")
```
## Terminado el preprocesamiento de los datos, empezamos con el análisis
1. **Importar la librería**
```python
from RFMCustomer.RFMCustomer import CustomerSegmentation
```
2. **Obtener el dataframe con la Segmentación RFM analizada**
```python
df = CustomerSegmentation.RFMCustomer(data, '20190115', [1,2,5,17])
df
```
**CustomerSegmentation.RFMCustomer()** recibe 3 parámetros:
• **dataframe:** El dataframe que contiene los datos.
• **day:** Indicar en formato string ('yyyymmdd') la fecha máxima hasta donde se desea analizar la información.
• **positions:** Brindar una lista con los índices en el cual se encuentran las columnas requeridas por la librería. **Tener en cuenta que se inicia el conteo desde el índice 0.** En el presente caso, **Order ID** se encuentra en la posición 1, **Order Date** en la posición 2, **Customer ID** en la posición 5 y **Sales** en la posición 17.
3. **Visualización del porcentaje de clientes por segmento**
```python
segmentation_plot = CustomerSegmentation.RFMAnalysis(df)
segmentation_plot
```
4. **Visualización de la tabla que hace referencia a las medidas de resumen de RFM**
```python
segmentation_table = CustomerSegmentation.RFMTable(df, True)
segmentation_table
```
El módulo **CustomerSegmentation.RFMTable()** recibe 2 parámetros:
• **rfm:** El dataframe **df** que asignamos en el paso 2.
• **color_gradient:** True si se requiere que la tabla sea coloreada en función de los datos y False si no se requiere colorear. Por defecto, el valor boolean es False.
5. **Obtener la tabla con los clientes que pertenecen a una clase específica.**
```python
segmentation_obs = CustomerSegmentation.RFMFindClientsBySegment(df, "Can't looser")
segmentation_obs
```
6. **Visualización general de la recencia, frecuencia y cantidad monetaria promedio por segmento**
```python
general_plot = CustomerSegmentation.RFMAnalysisByCategory(segmentation_table)
```
**Atento ante alguna observación o duda, por favor escribir al correo [email protected]**