Generative AI for Personalized E commerce Customer Segmentation

IA generativa para la segmentación personalizada de clientes de comercio electrónico

• Documentación de FastAPI
• Demostración de la aplicación

Este proyecto tiene como objetivo utilizar IA generativa para la próxima estrategia de marketing en el caso de la segmentación de clientes de comercio electrónico.

aplicación-streamlit-2024-03-04-15-03-42.mp4

Explicación del archivo

Este repositorio consta de varios archivos:

    ┌── 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 : este archivo es un modelo de aprendizaje automático entrenado para casos de agrupación en clústeres.

• backend/ model/ model.py : este archivo contiene código para cargar el modelo de aprendizaje automático entrenado desde el archivo guardado.

• backend/ ai.py : este archivo contiene el código de backend para la ai generativa.

• backend/ ai_respones.txt : este archivo contiene una respuesta de IA guardada para cada segmento de clientes.

• backend/ app.py : este archivo contiene el código de backend de la aplicación. Es responsable de manejar la lógica del lado del servidor, los puntos finales de API o cualquier otra funcionalidad de backend.

• backend/ dockerfile : Dockerfile se utiliza para crear una imagen de Docker para la aplicación backend. Incluye instrucciones sobre cómo configurar el entorno y las dependencias necesarias para el backend.

• backend/ requirements.txt : este archivo enumera las dependencias de Python necesarias para la aplicación backend. Estas dependencias se pueden instalar usando un administrador de paquetes como pip.

• frontend/ app.py : este archivo es el script principal para la interfaz de la aplicación y se desarrolla utilizando el marco Streamlit. Contiene secciones para la entrada del usuario y la integración de la funcionalidad de backend a través de llamadas API.

• frontend/ df_customer.csv : este archivo CSV es el resultado de un análisis de datos exploratorio y se utiliza para entrenar el modelo para la agrupación en clústeres.

• frontend/ df_segment.csv : este archivo CSV es el resultado de la agrupación.

• frontend/ dockerfile : similar al Dockerfile backend, este archivo se utiliza para crear una imagen de Docker para la aplicación frontend. Incluye instrucciones sobre cómo configurar el entorno e instalar dependencias.

• frontend/ ecommerce-cluster.csv : este archivo CSV es el resultado de una consulta de Google BigQuery.

• frontend/ requirements.txt : este archivo enumera las dependencias de Python necesarias para la aplicación frontend. Estas dependencias se pueden instalar usando un administrador de paquetes como pip.

• docker-compose.yml : este es un archivo de configuración para Docker Compose. Define servicios, redes y volúmenes para los contenedores de su aplicación. Docker Compose simplifica el proceso de ejecución de aplicaciones de múltiples contenedores.

• README.md : este es un archivo Markdown que normalmente contiene documentación para el proyecto. Incluye información sobre cómo configurar y ejecutar su aplicación, dependencias y cualquier otro detalle relevante.

• notebook.ipynb : este archivo de Jupyter Notebook contiene código, análisis o documentación relacionada con tareas de aprendizaje automático que utilizan Vertex AI de Google Cloud.

---

Breve resumen de este proyecto

El flujo de este proyecto comienza con el Análisis de datos exploratorios (EDA) para comprender la estructura básica del conjunto de datos. A continuación, determinamos el número de segmentos según la puntuación de distorsión del codo y la puntuación de la silueta. Después de eso, entrenamos el modelo y hacemos predicciones utilizando K-Means Clustering. Los resultados de la agrupación revelan cinco segmentos de clientes con características específicas. Luego se emplea la IA generativa para determinar los pasos de la estrategia de marketing para cada segmento de clientes.

Conclusión del proyecto

Después de realizar un Análisis de datos exploratorios (EDA) y segmentar a los clientes en cinco grupos distintos según los patrones de gasto, la frecuencia de los pedidos y los índices de devolución, se empleó la IA generativa para diseñar estrategias de marketing personalizadas para cada segmento.

• Segmento 1: Clientes con gasto moderado (52,75 a 112,75), con un promedio de $74,31 y un promedio de 2,27 pedidos por persona. Una estrategia de marketing sugerida es ofrecer recomendaciones personalizadas para fomentar la repetición de compras.

• Segmento 2: Clientes con mayor gasto (112,75 a 233,00), con un promedio de $150,89 y un promedio de 1,67 pedidos por persona. Una estrategia de marketing sugerida es introducir un programa de fidelización para recompensar las compras repetidas.

• Segmento 3: Clientes de alto gasto (558,75 a 999,00), con un promedio de $801,13, con un promedio de 1,01 pedidos por persona. Una estrategia de marketing sugerida es ofrecer productos o servicios exclusivos y de alta gama para mejorar la experiencia de compra premium.

• Segmento 4: Clientes que gastan menos (0,02 a 52,78), con un promedio de $31,24 y un promedio de 1,85 pedidos por persona. Una estrategia de marketing sugerida es introducir servicios de suscripción u ofertas combinadas para aumentar la retención de clientes.

• Segmento 5: Clientes con gasto significativo (233,66 a 550,00), con un promedio de $314,91 y un promedio de 1,44 pedidos por persona. Una estrategia de marketing sugerida es crear eventos o experiencias VIP exclusivos para apreciar y retener clientes de alto valor.