Dataset:

Utiliza el dataset extendido de aquí:

Análisis Exploratorio de SuperStore

El modelo RFM (Recency, Frequency, Monetary) es una técnica de análisis de comportamiento del cliente que se utiliza para segmentar una base de clientes en grupos específicos.

El objetivo es identificar a los clientes más valiosos y entender cómo interactúan con un negocio. El modelo se basa en tres métricas principales:

  1. Recency (R) - Reciente: Mide el tiempo transcurrido desde la última transacción o interacción que un cliente ha tenido con la marca. En general, a menor tiempo desde la última compra, más "reciente" es el cliente. Esta métrica se basa en la idea de que los clientes que han comprado recientemente son más propensos a hacerlo de nuevo en comparación con los que no lo han hecho durante mucho tiempo.

  2. Frequency (F) - Frecuencia: Mide la cantidad de veces que un cliente ha realizado una transacción o interactuado con la marca en un período de tiempo específico. Los clientes que interactúan con más frecuencia suelen ser más leales a la marca.

  3. Monetary (M) - Monetario: Representa el valor total de las transacciones que un cliente ha realizado en un período de tiempo determinado. En otras palabras, es una medida del valor total que un cliente ha aportado a la empresa. Cuanto más alto sea este valor, más valioso es el cliente.

  4. Profit (M) - Opcional

  5. ¿Category?

    ¿Tenemos sesgo con las ctegorias?

Instrucciones

  1. Descargar el Dataset: Descargar el archivo SUPERSTORE
  2. Análisis Exploratorio: Revisar las primeras y últimas filas, tipos de datos, y estadísticas básicas para familiarizarse con los datos.
  3. Cálculo de Métricas RFM
    1. Recency (R): Calcula cuánto tiempo ha pasado desde la última compra de cada cliente.
    2. Frequency (F): Cuenta cuántas veces cada cliente ha hecho una compra.
    3. Monetary (M): Suma cuánto ha gastado cada cliente en total.
  4. Segmentación por cuartiles o quintiles
    1. Normalización de datos RFM: Los datos RFM deben estar en la misma escala. Utiliza una técnica de normalización como la estandarización
    2. Análisis de Segmentos: Una vez que tengas los clusters, analiza las distribuciones de R, F y M para cada cluster. Determina las características que definen cada segmento y dales una etiqueta descriptiva.
  5. Recomendaciones para cada segmento: Basándote en las características de cada segmento, formula recomendaciones específicas. Analiza cada segmento, busca insights.