Generative AI for Personalized E commerce Customer Segmentation

IA générative pour une segmentation personnalisée des clients du commerce électronique

• Documentation FastAPI
• Démo de l'application

Ce projet vise à utiliser l'IA générative pour la prochaine stratégie marketing dans le cas de la segmentation des clients du commerce électronique.

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

Explication du fichier

Ce référentiel est constitué de plusieurs fichiers :

    ┌── 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 : ce fichier est un modèle d'apprentissage automatique entraîné pour le cas de clustering.

• backend/ model/ model.py : ce fichier contient du code pour charger le modèle d'apprentissage automatique entraîné à partir du fichier enregistré.

• backend/ ai.py : Ce fichier contient le code backend pour l'IA générative.

• backend/ ai_respones.txt : ce fichier contient la réponse IA enregistrée pour chaque segment client.

• backend/ app.py : Ce fichier contient le code backend de l'application. Il est responsable de la gestion de la logique côté serveur, des points de terminaison de l'API ou de toute autre fonctionnalité backend.

• backend/ dockerfile : Dockerfile est utilisé pour créer une image Docker pour l'application backend. Il comprend des instructions sur la façon de configurer l'environnement et les dépendances nécessaires au backend.

• backend/ requirements.txt : Ce fichier répertorie les dépendances Python requises pour l'application backend. Ces dépendances peuvent être installées à l'aide d'un gestionnaire de packages comme pip.

• frontend/ app.py : Ce fichier est le script principal du frontend de l'application et est développé à l'aide du framework Streamlit. Il contient des sections pour la saisie de l'utilisateur et l'intégration des fonctionnalités backend via des appels API.

• frontend/ df_customer.csv : Ce fichier CSV est le résultat d'une analyse exploratoire des données et est utilisé pour entraîner le modèle au clustering.

• frontend/ df_segment.csv : Ce fichier CSV est le résultat d'un clustering.

• frontend/ dockerfile : Semblable au Dockerfile backend, ce fichier est utilisé pour créer une image Docker pour l'application frontend. Il comprend des instructions sur la configuration de l'environnement et l'installation des dépendances.

• frontend/ ecommerce-cluster.csv : Ce fichier CSV est le résultat d'une requête de Google BigQuery.

• frontend/ requirements.txt : Ce fichier répertorie les dépendances Python requises pour l'application frontend. Ces dépendances peuvent être installées à l'aide d'un gestionnaire de packages comme pip.

• docker-compose.yml : Il s'agit d'un fichier de configuration pour Docker Compose. Il définit les services, les réseaux et les volumes pour les conteneurs de votre application. Docker Compose simplifie le processus d'exécution d'applications multi-conteneurs.

• README.md : Il s'agit d'un fichier Markdown qui contient généralement la documentation du projet. Il comprend des informations sur la façon de configurer et d'exécuter votre application, les dépendances et tout autre détail pertinent.

• notebook.ipynb : ce fichier Jupyter Notebook contient du code, une analyse ou de la documentation liée aux tâches d'apprentissage automatique utilisant Vertex AI de Google Cloud.

---

Bref résumé de ce projet

Le déroulement de ce projet commence par l'analyse exploratoire des données (EDA) pour comprendre la structure de base de l'ensemble de données. Ensuite, nous déterminons le nombre de segments en fonction du score de distorsion du coude et du score de silhouette. Ensuite, nous entraînons le modèle et effectuons des prédictions à l'aide du clustering K-Means. Les résultats du regroupement révèlent 5 segments de clientèle présentant des caractéristiques spécifiques. L'IA générative est ensuite utilisée pour déterminer les étapes de la stratégie marketing pour chaque segment de clientèle.

Conclusion du projet

Après avoir effectué une analyse exploratoire des données (EDA) et segmenté les clients en cinq groupes distincts en fonction des modèles de dépenses, de la fréquence des commandes et des taux de retour, l'IA générative a été utilisée pour concevoir des stratégies marketing sur mesure pour chaque segment.

• Segment 1 : Clients ayant des dépenses modérées (52,75 à 112,75), avec une moyenne de 74,31 $ et une moyenne de 2,27 commandes par personne. Une stratégie marketing suggérée consiste à proposer des recommandations personnalisées pour encourager les achats répétés.

• Segment 2 : Clients ayant des dépenses plus élevées (112,75 à 233,00), avec une moyenne de 150,89 $ et une moyenne de 1,67 commandes par personne. Une stratégie marketing suggérée consiste à introduire un programme de fidélité pour récompenser les achats répétés.

• Segment 3 : Clients très dépensiers (558,75 à 999,00), avec une moyenne de 801,13 $, avec une moyenne de 1,01 commandes par personne. Une stratégie marketing suggérée consiste à proposer des produits ou des services exclusifs et haut de gamme pour améliorer l'expérience d'achat haut de gamme.

• Segment 4 : Clients dépensant moins (0,02 à 52,78), avec une moyenne de 31,24 $ et une moyenne de 1,85 commandes par personne. Une stratégie marketing suggérée consiste à introduire des services d’abonnement ou des offres groupées pour augmenter la fidélisation de la clientèle.

• Segment 5 : Clients ayant des dépenses importantes (233,66 à 550,00), avec une moyenne de 314,91 $ et une moyenne de 1,44 commandes par personne. Une stratégie marketing suggérée consiste à créer des événements ou des expériences VIP exclusifs pour apprécier et fidéliser les clients de grande valeur.