Generative AI for Personalized E commerce Customer Segmentation

IA generativa para segmentação personalizada de clientes de comércio eletrônico

• Documentação FastAPI
• Demonstração do aplicativo

Este projeto visa utilizar IA generativa para a próxima estratégia de marketing no caso de segmentação de clientes de comércio eletrônico.

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

Explicação do arquivo

Este repositório consiste em vários arquivos:

    ┌── 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 arquivo é um modelo de aprendizado de máquina treinado para caso de cluster.

• backend/ model/ model.py : Este arquivo contém código para carregar o modelo de aprendizado de máquina treinado do arquivo salvo.

• backend/ ai.py : Este arquivo contém o código de backend para IA generativa.

• backend/ ai_respones.txt : Este arquivo contém resposta de IA salva para cada segmento de cliente.

• backend/ app.py : Este arquivo contém o código de backend do aplicativo. É responsável por lidar com a lógica do lado do servidor, endpoints de API ou qualquer outra funcionalidade de back-end.

• backend/ dockerfile : Dockerfile é usado para construir uma imagem Docker para aplicativo backend. Inclui instruções sobre como configurar o ambiente e as dependências necessárias para back-end.

• backend/ requirements.txt : este arquivo lista as dependências Python necessárias para o aplicativo backend. Essas dependências podem ser instaladas usando um gerenciador de pacotes como o pip.

• frontend/ app.py : Este arquivo é o script principal do frontend da aplicação e é desenvolvido utilizando o framework Streamlit. Ele contém seções para entrada do usuário e integração da funcionalidade de back-end por meio de chamadas de API.

• frontend/ df_customer.csv : Este arquivo CSV é o resultado da análise exploratória de dados e é usado para treinar o modelo para clustering.

• frontend/ df_segment.csv : Este arquivo CSV é o resultado do clustering.

• frontend/ dockerfile : semelhante ao Dockerfile de backend, este arquivo é usado para construir uma imagem Docker para aplicativo frontend. Inclui instruções sobre como configurar o ambiente e instalar dependências.

• frontend/ ecommerce-cluster.csv : este arquivo CSV é o resultado de uma consulta do Google BigQuery.

• frontend/ requirements.txt : Este arquivo lista as dependências Python necessárias para o aplicativo frontend. Essas dependências podem ser instaladas usando um gerenciador de pacotes como o pip.

• docker-compose.yml : este é um arquivo de configuração do Docker Compose. Ele define serviços, redes e volumes para os contêineres do seu aplicativo. Docker Compose simplifica o processo de execução de aplicativos com vários contêineres.

• README.md : Este é um arquivo Markdown que normalmente contém documentação para o projeto. Inclui informações sobre como configurar e executar seu aplicativo, dependências e quaisquer outros detalhes relevantes.

• notebook.ipynb : este arquivo Jupyter Notebook contém código, análise ou documentação relacionada a tarefas de aprendizado de máquina usando Vertex AI do Google Cloud.

---

Breve Resumo deste Projeto

O fluxo deste projeto começa com Análise Exploratória de Dados (EDA) para entender a estrutura básica do conjunto de dados. A seguir, determinamos o número de segmentos com base na pontuação de distorção do cotovelo e na pontuação da silhueta. Em seguida, treinamos o modelo e fazemos previsões usando K-Means Clustering. Os resultados do agrupamento revelam 5 segmentos de clientes com características específicas. A IA generativa é então empregada para determinar as etapas da estratégia de marketing para cada segmento de cliente.

Conclusão do Projeto

Depois de conduzir a Análise Exploratória de Dados (EDA) e segmentar os clientes em cinco grupos distintos com base em padrões de gastos, frequência de pedidos e índices de retorno, a IA Generativa foi empregada para elaborar estratégias de marketing personalizadas para cada segmento.

• Segmento 1: Clientes com gastos moderados (52,75 a 112,75), com média de US$ 74,31 e média de 2,27 pedidos por pessoa. Uma estratégia de marketing sugerida é oferecer recomendações personalizadas para incentivar compras repetidas.

• Segmento 2: Clientes com gastos mais elevados (112,75 a 233,00), com média de US$ 150,89 e média de 1,67 pedidos por pessoa. Uma estratégia de marketing sugerida é introduzir um programa de fidelidade para recompensar compras repetidas.

• Segmento 3: Clientes com altos gastos (558,75 a 999,00), com média de US$ 801,13, com média de 1,01 pedidos por pessoa. Uma estratégia de marketing sugerida é oferecer produtos ou serviços exclusivos e de alta qualidade para aprimorar a experiência de compra premium.

• Segmento 4: Clientes com gastos mais baixos (0,02 a 52,78), com média de US$ 31,24 e média de 1,85 pedidos por pessoa. Uma estratégia de marketing sugerida é introduzir serviços de assinatura ou pacotes para aumentar a retenção de clientes.

• Segmento 5: Clientes com gastos significativos (233,66 a 550,00), com média de US$ 314,91 e média de 1,44 pedidos por pessoa. Uma estratégia de marketing sugerida é criar eventos ou experiências VIP exclusivas para valorizar e reter clientes de alto valor.