Generative AI for Personalized E commerce Customer Segmentation
1.0.0
Dieses Projekt zielt darauf ab, generative KI für die nächste Marketingstrategie im Fall der E-Commerce-Kundensegmentierung zu nutzen.
Dieses Repository besteht aus mehreren Dateien:
┌── Backend/
│ ├── model/
│ | ├── model.pkl
│ | ├── model.py
│ ├── ai.py
│ ├── ai_response.txt
│ ├── app.py
│ ├── dockerfile
│ ├── requirements.txt
├── Frontend/
│ ├── app.py
│ ├── df_customer.csv
│ ├── df_segment.csv
│ ├── dockerfile
│ ├── ecommerce-cluster.csv
│ ├── requirements.txt
├── docker-compose.yml
├── notebook.ipynb
└── README.md
backend/ model/ model.pkl : Diese Datei ist ein trainiertes maschinelles Lernmodell für Clustering-Fälle.
backend/ model/ model.py : Diese Datei enthält Code zum Laden des trainierten Machine-Learning-Modells aus der gespeicherten Datei.
backend/ ai.py : Diese Datei enthält den Backend-Code für generative KI.
backend/ ai_respones.txt : Diese Datei enthält gespeicherte KI-Antworten für jedes Kundensegment.
backend/ app.py : Diese Datei enthält den Backend-Code für die Anwendung. Es ist für die Handhabung der serverseitigen Logik, API-Endpunkte oder anderer Backend-Funktionen verantwortlich.
backend/ dockerfile : Dockerfile wird verwendet, um ein Docker-Image für eine Backend-Anwendung zu erstellen. Es enthält Anweisungen zum Einrichten der für das Backend erforderlichen Umgebung und Abhängigkeiten.
backend/ requirements.txt : Diese Datei listet die Python-Abhängigkeiten auf, die für die Backend-Anwendung erforderlich sind. Diese Abhängigkeiten können mit einem Paketmanager wie pip installiert werden.
frontend/ app.py : Diese Datei ist das Hauptskript für das Frontend der Anwendung und wird mit dem Streamlit-Framework entwickelt. Es enthält Abschnitte für Benutzereingaben und die Integration von Backend-Funktionalität durch API-Aufrufe.
frontend/ df_customer.csv : Diese CSV-Datei ist das Ergebnis einer explorativen Datenanalyse und wird verwendet, um das Modell für das Clustering zu trainieren.
frontend/ df_segment.csv : Diese CSV-Datei ist das Ergebnis des Clusterings.
frontend/ dockerfile : Ähnlich wie die Backend-Docker-Datei wird diese Datei zum Erstellen eines Docker-Images für die Frontend-Anwendung verwendet. Es enthält Anweisungen zum Einrichten der Umgebung und zum Installieren von Abhängigkeiten.
frontend/ ecommerce-cluster.csv : Diese CSV-Datei ist das Ergebnis einer Abfrage von Google BigQuery.
frontend/ requirements.txt : Diese Datei listet die Python-Abhängigkeiten auf, die für die Frontend-Anwendung erforderlich sind. Diese Abhängigkeiten können mit einem Paketmanager wie pip installiert werden.
docker-compose.yml : Dies ist eine Konfigurationsdatei für Docker Compose. Es definiert Dienste, Netzwerke und Volumes für die Container Ihrer Anwendung. Docker Compose vereinfacht die Ausführung von Multi-Container-Anwendungen.
README.md : Dies ist eine Markdown-Datei, die normalerweise Dokumentation für das Projekt enthält. Es enthält Informationen zum Einrichten und Ausführen Ihrer Anwendung, zu Abhängigkeiten und anderen relevanten Details.
notebook.ipynb : Diese Jupyter Notebook-Datei enthält Code, Analysen oder Dokumentation im Zusammenhang mit maschinellen Lernaufgaben mit Vertex AI von Google Cloud.
Der Ablauf dieses Projekts beginnt mit der explorativen Datenanalyse (EDA), um die Grundstruktur des Datensatzes zu verstehen. Als nächstes bestimmen wir die Anzahl der Segmente basierend auf dem Verzerrungs-Score für Ellbogen und Silhouette. Anschließend trainieren wir das Modell und treffen mithilfe von K-Means-Clustering Vorhersagen. Die Clustering-Ergebnisse zeigen 5 Kundensegmente mit spezifischen Merkmalen. Anschließend wird generative KI eingesetzt, um die Schritte der Marketingstrategie für jedes Kundensegment zu bestimmen.
Nach der Durchführung einer explorativen Datenanalyse (EDA) und der Segmentierung der Kunden in fünf verschiedene Gruppen basierend auf Ausgabemuster, Bestellhäufigkeit und Retourenquoten wurde Generative AI eingesetzt, um maßgeschneiderte Marketingstrategien für jedes Segment zu entwickeln.
Segment 1: Kunden mit moderaten Ausgaben (52,75 bis 112,75), durchschnittlich 74,31 $ und durchschnittlich 2,27 Bestellungen pro Person. Eine empfohlene Marketingstrategie besteht darin, personalisierte Empfehlungen anzubieten, um Wiederholungskäufe zu fördern.
Segment 2: Kunden mit höheren Ausgaben (112,75 bis 233,00), durchschnittlich 150,89 $ und durchschnittlich 1,67 Bestellungen pro Person. Eine empfohlene Marketingstrategie besteht darin, ein Treueprogramm einzuführen, um Wiederholungskäufe zu belohnen.
Segment 3: Kunden mit hohen Ausgaben (558,75 bis 999,00), durchschnittlich 801,13 $, mit durchschnittlich 1,01 Bestellungen pro Person. Eine empfohlene Marketingstrategie besteht darin, exklusive, hochwertige Produkte oder Dienstleistungen anzubieten, um das Premium-Einkaufserlebnis zu verbessern.
Segment 4: Kunden mit geringeren Ausgaben (0,02 bis 52,78), durchschnittlich 31,24 $ und durchschnittlich 1,85 Bestellungen pro Person. Eine empfohlene Marketingstrategie ist die Einführung von Abonnementdiensten oder Bündelangeboten, um die Kundenbindung zu erhöhen.
Segment 5: Kunden mit erheblichen Ausgaben (233,66 bis 550,00), durchschnittlich 314,91 $ und durchschnittlich 1,44 Bestellungen pro Person. Eine empfohlene Marketingstrategie besteht darin, exklusive VIP-Events oder -Erlebnisse zu schaffen, um hochwertige Kunden zu schätzen und zu binden.
