Generative AI for Personalized E commerce Customer Segmentation

AI Generatif untuk Segmentasi Pelanggan E-commerce yang Dipersonalisasi

• Dokumentasi FastAPI
• Demo Aplikasi

Proyek ini bertujuan untuk memanfaatkan AI Generatif untuk strategi pemasaran selanjutnya dalam hal segmentasi pelanggan e-commerce.

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

Penjelasan berkas

Repositori ini terdiri dari beberapa file :

    ┌── 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 : File ini adalah model pembelajaran mesin terlatih untuk kasus pengelompokan.

• backend/ model/ model.py : File ini berisi kode untuk memuat model pembelajaran mesin terlatih dari file yang disimpan.

• backend/ ai.py : File ini berisi kode backend untuk ai generatif.

• backend/ ai_respones.txt : File ini berisi respons AI yang disimpan untuk setiap segmen pelanggan.

• backend/ app.py : File ini berisi kode backend untuk aplikasi. Ini bertanggung jawab untuk menangani logika sisi server, titik akhir API, atau fungsi backend lainnya.

• backend/ dockerfile : Dockerfile digunakan untuk membangun image Docker untuk aplikasi backend. Ini mencakup petunjuk tentang cara menyiapkan lingkungan dan dependensi yang diperlukan untuk backend.

• backend/ requirements.txt : File ini mencantumkan dependensi Python yang diperlukan untuk aplikasi backend. Dependensi ini dapat diinstal menggunakan manajer paket seperti pip.

• frontend/ app.py : File ini adalah skrip utama untuk frontend aplikasi dan dikembangkan menggunakan kerangka Streamlit. Ini berisi bagian untuk input pengguna, dan integrasi fungsionalitas backend melalui panggilan API.

• frontend/ df_customer.csv : File CSV ini adalah hasil analisis data eksplorasi dan digunakan untuk melatih model clustering.

• frontend/ df_segment.csv : File CSV ini hasil clustering.

• frontend/ dockerfile : Mirip dengan Dockerfile backend, file ini digunakan untuk membuat image Docker untuk aplikasi frontend. Ini mencakup instruksi tentang pengaturan lingkungan dan instalasi dependensi.

• frontend/ ecommerce-cluster.csv : File CSV ini adalah hasil query dari Google BigQuery.

• frontend/ requirements.txt : File ini mencantumkan dependensi Python yang diperlukan untuk aplikasi frontend. Dependensi ini dapat diinstal menggunakan manajer paket seperti pip.

• docker-compose.yml : Ini adalah file konfigurasi untuk Docker Compose. Ini mendefinisikan layanan, jaringan, dan volume untuk kontainer aplikasi Anda. Docker Compose menyederhanakan proses menjalankan aplikasi multi-container.

• README.md : Ini adalah file Markdown yang biasanya berisi dokumentasi untuk proyek tersebut. Ini mencakup informasi tentang cara menyiapkan dan menjalankan aplikasi Anda, dependensi, dan detail relevan lainnya.

• notebook.ipynb : File Jupyter Notebook ini berisi kode, analisis, atau dokumentasi terkait tugas pembelajaran mesin menggunakan Vertex AI Google Cloud.

---

Ringkasan Singkat Proyek ini

Alur proyek ini dimulai dengan Exploratory Data Analysis (EDA) untuk memahami struktur dasar dataset. Selanjutnya kita menentukan jumlah segmen berdasarkan skor distorsi siku dan skor siluet. Setelah itu, kami melatih model dan membuat prediksi menggunakan K-Means Clustering. Hasil clustering mengungkapkan 5 segmen pelanggan dengan karakteristik tertentu. AI generatif kemudian digunakan untuk menentukan langkah-langkah strategi pemasaran untuk setiap segmen pelanggan.

Kesimpulan Proyek

Setelah melakukan Analisis Data Eksplorasi (EDA) dan mengelompokkan pelanggan ke dalam lima kelompok berbeda berdasarkan pola pengeluaran, frekuensi pemesanan, dan rasio pengembalian, AI Generatif digunakan untuk merancang strategi pemasaran yang disesuaikan untuk setiap segmen.

• Segmen 1: Pelanggan dengan pembelanjaan sedang (52,75 hingga 112,75), rata-rata $74,31, dan rata-rata 2,27 pesanan per orang. Strategi pemasaran yang disarankan adalah menawarkan rekomendasi yang dipersonalisasi untuk mendorong pembelian berulang.

• Segmen 2: Pelanggan dengan pembelanjaan lebih tinggi (112,75 hingga 233,00), rata-rata $150,89, dan rata-rata 1,67 pesanan per orang. Strategi pemasaran yang disarankan adalah memperkenalkan program loyalitas untuk menghargai pembelian berulang.

• Segmen 3: Pelanggan dengan pembelanjaan tinggi (558,75 hingga 999,00), rata-rata $801,13, dengan rata-rata 1,01 pesanan per orang. Strategi pemasaran yang disarankan adalah menawarkan produk atau layanan eksklusif dan berkualitas tinggi untuk meningkatkan pengalaman berbelanja premium.

• Segmen 4: Pelanggan dengan pembelanjaan lebih rendah (0,02 hingga 52,78), rata-rata $31,24, dan rata-rata 1,85 pesanan per orang. Strategi pemasaran yang disarankan adalah dengan memperkenalkan layanan berlangganan atau penawaran bundel untuk meningkatkan retensi pelanggan.

• Segmen 5: Pelanggan dengan pembelanjaan signifikan (233,66 hingga 550,00), rata-rata $314,91, dan rata-rata 1,44 pesanan per orang. Strategi pemasaran yang disarankan adalah menciptakan acara atau pengalaman VIP eksklusif untuk mengapresiasi dan mempertahankan pelanggan bernilai tinggi.