หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

AI เจนเนอเรชั่นสำหรับการแบ่งส่วนลูกค้าอีคอมเมิร์ซส่วนบุคคล

  • เอกสาร FastAPI
  • การสาธิตแอป

โครงการนี้มีจุดมุ่งหมายเพื่อใช้ Generative AI สำหรับกลยุทธ์การตลาดถัดไปในกรณีของการแบ่งส่วนลูกค้าอีคอมเมิร์ซ

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

คำอธิบายไฟล์

ที่เก็บนี้ประกอบด้วยหลายไฟล์: 

    ┌── 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 : ไฟล์นี้เป็นโมเดลการเรียนรู้ของเครื่องที่ได้รับการฝึกอบรมสำหรับเคสการทำคลัสเตอร์

  • backend/ model/ model.py : ไฟล์นี้มีโค้ดสำหรับโหลดโมเดลการเรียนรู้ของเครื่องที่ได้รับการฝึกจากไฟล์ที่บันทึกไว้

  • backend/ ai.py : ไฟล์นี้มีโค้ดแบ็กเอนด์สำหรับ generative ai

  • backend/ ai_respones.txt : ไฟล์นี้มีการตอบสนอง AI ที่บันทึกไว้สำหรับลูกค้าแต่ละกลุ่ม

  • backend/ app.py : ไฟล์นี้มีโค้ดแบ็กเอนด์สำหรับแอปพลิเคชัน รับผิดชอบในการจัดการตรรกะฝั่งเซิร์ฟเวอร์ จุดสิ้นสุด API หรือฟังก์ชันแบ็กเอนด์อื่นๆ

  • backend/ dockerfile : Dockerfile ใช้เพื่อสร้างอิมเมจ Docker สำหรับแอปพลิเคชันแบ็กเอนด์ รวมถึงคำแนะนำเกี่ยวกับวิธีตั้งค่าสภาพแวดล้อมและการขึ้นต่อกันที่จำเป็นสำหรับแบ็กเอนด์

  • backend/ requirements.txt : ไฟล์นี้แสดงรายการการพึ่งพา Python ที่จำเป็นสำหรับแอปพลิเคชันแบ็กเอนด์ การขึ้นต่อกันเหล่านี้สามารถติดตั้งได้โดยใช้ตัวจัดการแพ็คเกจเช่น pip

  • frontend/ app.py : ไฟล์นี้เป็นสคริปต์หลักสำหรับส่วนหน้าของแอปพลิเคชันและได้รับการพัฒนาโดยใช้เฟรมเวิร์ก Streamlit ประกอบด้วยส่วนสำหรับการป้อนข้อมูลของผู้ใช้ และการบูรณาการฟังก์ชันแบ็กเอนด์ผ่านการเรียก API

  • frontend/ df_customer.csv : ไฟล์ CSV นี้เป็นผลจากการวิเคราะห์ข้อมูลเชิงสำรวจ และใช้เพื่อฝึกโมเดลสำหรับการทำคลัสเตอร์

  • frontend/ df_segment.csv : ไฟล์ CSV นี้เป็นผลมาจากการทำคลัสเตอร์

  • frontend/ dockerfile : คล้ายกับ Dockerfile แบ็กเอนด์ ไฟล์นี้ใช้เพื่อสร้างอิมเมจ Docker สำหรับแอปพลิเคชันส่วนหน้า รวมถึงคำแนะนำในการตั้งค่าสภาพแวดล้อมและการติดตั้งการขึ้นต่อกัน

  • frontend/ ecommerce-cluster.csv : ไฟล์ CSV นี้เป็นผลจากการสืบค้นจาก Google BigQuery

  • frontend/ requirements.txt : ไฟล์นี้แสดงรายการการพึ่งพา Python ที่จำเป็นสำหรับแอปพลิเคชันส่วนหน้า การขึ้นต่อกันเหล่านี้สามารถติดตั้งได้โดยใช้ตัวจัดการแพ็คเกจเช่น pip

  • docker-compose.yml : นี่คือไฟล์กำหนดค่าสำหรับ Docker Compose โดยจะกำหนดบริการ เครือข่าย และปริมาณสำหรับคอนเทนเนอร์ของแอปพลิเคชันของคุณ Docker Compose ช่วยลดความยุ่งยากในการเรียกใช้แอปพลิเคชันหลายคอนเทนเนอร์

  • README.md : นี่คือไฟล์ Markdown ที่โดยทั่วไปจะมีเอกสารประกอบสำหรับโครงการ ประกอบด้วยข้อมูลเกี่ยวกับวิธีการตั้งค่าและเรียกใช้แอปพลิเคชันของคุณ การขึ้นต่อกัน และรายละเอียดอื่น ๆ ที่เกี่ยวข้อง

  • notebook.ipynb : ไฟล์ Jupyter Notebook นี้มีโค้ด การวิเคราะห์ หรือเอกสารที่เกี่ยวข้องกับงานแมชชีนเลิร์นนิงโดยใช้ Vertex AI ของ Google Cloud

สรุปโดยย่อของโครงการนี้

โฟลว์ของโปรเจ็กต์นี้เริ่มต้นด้วยการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) เพื่อทำความเข้าใจโครงสร้างพื้นฐานของชุดข้อมูล ต่อไป เราจะกำหนดจำนวนเซ็กเมนต์ตามคะแนนความบิดเบี้ยว ข้อศอก และคะแนนภาพเงา หลังจากนั้น เราจะฝึกโมเดลและคาดการณ์โดยใช้ K-Means Clustering ผลการจัดกลุ่มเผยให้เห็นกลุ่มลูกค้า 5 กลุ่มที่มีลักษณะเฉพาะ จากนั้นจึงใช้ Generative AI เพื่อกำหนดขั้นตอนกลยุทธ์ทางการตลาดสำหรับลูกค้าแต่ละกลุ่ม

บทสรุปโครงการ

หลังจากดำเนินการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) และแบ่งกลุ่มลูกค้าออกเป็นห้ากลุ่มที่แตกต่างกันตามรูปแบบการใช้จ่าย ความถี่ในการสั่งซื้อ และอัตราส่วนการคืนสินค้า Generative AI ก็ถูกนำมาใช้เพื่อกำหนดกลยุทธ์การตลาดที่ปรับให้เหมาะสมสำหรับแต่ละกลุ่ม

  • ส่วนที่ 1: ลูกค้าที่มีการใช้จ่ายปานกลาง (52.75 ถึง 112.75) โดยเฉลี่ย 74.31 ดอลลาร์ และมีคำสั่งซื้อเฉลี่ย 2.27 ต่อคน กลยุทธ์การตลาดที่แนะนำคือการเสนอคำแนะนำเฉพาะบุคคลเพื่อกระตุ้นให้เกิดการซื้อซ้ำ

  • ส่วนที่ 2: ลูกค้าที่มีการใช้จ่ายสูงกว่า (112.75 ถึง 233.00) โดยเฉลี่ย 150.89 ดอลลาร์ และมีคำสั่งซื้อเฉลี่ย 1.67 ต่อคน กลยุทธ์การตลาดที่แนะนำคือการแนะนำโปรแกรมสะสมคะแนนเพื่อให้รางวัลกับการซื้อซ้ำ

  • ส่วนที่ 3: ลูกค้าที่มีการใช้จ่ายสูง (558.75 ถึง 999.00) โดยเฉลี่ย 801.13 ดอลลาร์ โดยมีคำสั่งซื้อเฉลี่ย 1.01 ต่อคน กลยุทธ์การตลาดที่แนะนำคือการนำเสนอผลิตภัณฑ์หรือบริการระดับไฮเอนด์พิเศษเพื่อเพิ่มประสบการณ์การช็อปปิ้งระดับพรีเมียม

  • ส่วนที่ 4: ลูกค้าที่มีการใช้จ่ายต่ำกว่า (0.02 ถึง 52.78) โดยเฉลี่ย 31.24 ดอลลาร์ และคำสั่งซื้อเฉลี่ย 1.85 ต่อคน กลยุทธ์การตลาดที่แนะนำคือการแนะนำบริการสมัครสมาชิกหรือข้อเสนอแบบรวมกลุ่มเพื่อเพิ่มการรักษาลูกค้า

  • ส่วนที่ 5: ลูกค้าที่มีการใช้จ่ายจำนวนมาก (233.66 ถึง 550.00) โดยเฉลี่ย 314.91 ดอลลาร์ และคำสั่งซื้อเฉลี่ย 1.44 ต่อคน กลยุทธ์การตลาดที่แนะนำคือการสร้างกิจกรรมหรือประสบการณ์วีไอพีสุดพิเศษเพื่อชื่นชมและรักษาลูกค้าที่มีมูลค่าสูง

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด